Goldman Sachs franchit une nouvelle phase d'intelligence artificielle : Marco Ardenti sur les agents

Goldman Sachs repense sa stratégie d'intelligence artificielle face à la croissance rapide des outils d'agents et des scénarios d'entreprise plus matures. Marco Ardenti, directeur de la technologie de l'information de la banque, parle désormais non seulement d'expériences internes, mais de la façon dont une nouvelle vague d'IA transforme le développement et les processus quotidiens au sein de l'organisation financière.

Ce Qui a Changé en 18 Mois

Il y a dix-huit mois, Goldman Sachs parlait principalement de la façon de construire ses propres outils d'IA internes et d'explorer où appliquer des modèles sans atteindre un public de masse. Depuis, le marché a accéléré dramatiquement : les modèles génératifs sont devenus plus précis, les cas d'usage d'entreprise plus clairs, et les systèmes d'agents au premier plan—des systèmes qui ne font pas que répondre à une requête, mais qui peuvent exécuter des chaînes d'actions. Cela change aussi la conversation au sein des entreprises : de l'idée « essayons ceci » à la question « quelle partie du travail pouvons-nous confier à la machine dès maintenant ?

» Pour une banque comme Goldman Sachs, ce changement importe non seulement parce que l'IA est à la mode. Si autrefois la valeur était souvent mesurée par la qualité des réponses en chat, maintenant la productivité des employés est au premier plan : à quelle vitesse un développeur écrit du code, à quelle vitesse un analyste rédige un brouillon, à quelle vitesse une équipe trouve les informations dont elle a besoin dans ses propres systèmes. En ce sens, les plateformes d'agents comme Claude Code deviennent plus qu'un outil isolé—elles deviennent une nouvelle interface du travail d'entreprise, où le résultat et le contrôle importent.

Où Regarde la Banque

À partir de la description de la nouvelle conversation avec Ardenti, il est clair que le focus de Goldman Sachs se déplace du simple fait de la mise en œuvre à la qualité de l'application. La banque ne pense plus qu'il suffit d'avoir des services d'IA internes. Maintenant, il est plus important de comprendre quelles tâches ces outils gèrent mieux que les logiciels traditionnels, où ils économisent vraiment du temps, et où ils nécessitent trop de vérification humaine. Pour une grande organisation financière, c'est une approche pratique : toute automatisation n'a de valeur que lorsqu'elle s'intègre aux processus existants, aux exigences de sécurité et à la responsabilité des équipes.

• Outils internes pour les employés
• Support pour le développement de code et le travail avec le code
• Des chaînes d'actions plus complexes plutôt que des requêtes isolées
• Évaluation de la valeur réelle, pas seulement de la qualité des réponses

Pourquoi les Agents sont Nécessaires

La vraie question ici est de savoir comment la banque évalue spécifiquement l'approche des agents. Il ne s'agit plus seulement d'un assistant qui résume des documents ou répond à des questions à partir d'une base de connaissances, mais de systèmes capables d'exécuter des tâches multi-étapes. Pour les équipes d'ingénierie et de produit, c'est particulièrement notable : un tel outil peut lire le code, proposer des modifications, trouver les dépendances, et effectuer une partie du travail de routine sans basculer constamment entre les fenêtres.

Mais plus l'autonomie est élevée, plus la question de la confiance, du journalisation des actions, et du droit du humain à prendre la décision finale devient aiguë. C'est pourquoi l'expérience de Goldman Sachs est intéressante non pas comme l'histoire d'« une banque qui met également en œuvre l'IA, » mais comme un signal du stade suivant du marché. Lorsque des organisations comme celle-ci discutent non pas de pilotes de démonstration, mais de scénarios de fonctionnement et d'impact pour les spécialistes, cela signifie que la technologie passe un test d'utilité.

Même si certaines expériences ne donnent pas de résultats immédiats, le changement en lui-même est important : l'IA d'entreprise se transforme graduellement d'un ensemble de chatbots en 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. La conversation sur l'IA s'éloigne des promesses abstraites vers la question de l'efficacité mesurable : où les agents économisent des heures de travail, comment ils s'intègrent aux processus sensibles, et quelles tâches peuvent leur être confiées sans perdre le contrôle. Si cette approche s'enracine dans les banques, elle deviendra rapidement un point de référence pour les autres grandes entreprises internationales aussi.