Goldman Sachs accélère l'adoption des agents IA et transforme le travail de ses développeurs

Goldman Sachs ne se limite plus à des bots d'IA internes pour des tâches ponctuelles. Selon le CIO Marco Argenti, la banque repense son approche de l'adoption de l'IA face à l'essor rapide des plateformes d'agents et des nouveaux outils de développement.

Des pilotes au système

Il y a un an et demi, la discussion sur l'IA chez Goldman Sachs portait surtout sur des outils internes et des cas d'automatisation isolés. Désormais, le champ est plus large : la banque voit l'IA comme une couche d'infrastructure, appelée à s'intégrer au travail quotidien des équipes plutôt qu'à rester un ensemble de services expérimentaux.

L'arrivée de plateformes d'agents comme Claude Code a relevé le niveau d'attente. Les métiers ne veulent plus seulement des réponses d'un modèle : ils ont besoin de systèmes capables d'enchaîner des actions, de travailler sur du code et d'accélérer des processus réels.

Pour une grande banque, cela suppose des exigences d'architecture plus strictes. On ne peut pas simplement ouvrir l'accès à un nouveau modèle et attendre les résultats. Il faut déterminer où l'agent est autorisé à agir seul, à quelles données il a accès, comment ses actions sont consignées et qui répond du résultat.

L'adoption de l'IA dans la banque ressemble donc moins au lancement rapide d'une fonction à la mode qu'à l'assemblage progressif d'une plateforme contrôlée, dotée de règles, de journalisation et de restrictions internes.

Comment le développement change

Autre sujet : l'AI coding. Les outils qui aident à écrire, vérifier et réécrire du code transforment déjà nettement le travail des développeurs et des ingénieurs. Il ne s'agit pas seulement d'accélérer les tâches routinières, mais de répartir autrement le temps : moins d'efforts pour le code standard, les premiers jets et la recherche de solutions classiques, davantage pour la relecture, la définition des tâches, l'architecture et la vérification de ce que l'agent a généré.

Pour une banque dotée de nombreux ingénieurs, ce n'est pas une optimisation cosmétique, mais une modification de la chaîne de production.

• Les prototypes d'outils internes apparaissent plus vite
• Les ingénieurs travaillent de plus en plus comme relecteurs et donneurs de tâches pour les agents
• La documentation de qualité, les tests et les standards de code gagnent en valeur
• Les erreurs se déplacent de l'écriture du code vers la vérification, la sécurité et le contrôle d'accès

Mais le gain n'est pas automatique. Si une équipe a des tests faibles, un code confus ou des règles de développement non formalisées, l'AI coding se met à reproduire le chaos aussi vite que les solutions utiles. C'est pourquoi les grandes entreprises revoient parallèlement leurs processus : où le human-in-the-loop est obligatoire, quelles modifications peuvent être proposées automatiquement, comment vérifier la sécurité du code et comment mesurer la productivité réelle, et non le nombre de lignes générées.

C'est précisément pour cela que l'adoption de ces outils se heurte vite à la discipline des équipes.

Données et réglementation

La partie la plus difficile du passage à l'échelle de l'IA dans une banque n'est ni l'interface ni le choix du modèle, mais les données. Pour qu'un agent ou un assistant soit utile, il lui faut accéder au contexte interne : documents, systèmes, politiques, code source, historique des opérations. Or c'est justement là que le secteur financier subit les contraintes les plus strictes.

Chaque nouveau cas d'usage se heurte à la classification des données, à la séparation des droits, aux exigences de conservation, à l'audit et à l'explicabilité des décisions. Plus l'agent est puissant, plus le coût d'une erreur est élevé et plus le périmètre doit être strict.

D'où la question réglementaire. Il ne suffit pas à une banque de prouver qu'un modèle est rapide et pratique. Elle doit montrer que son usage est reproductible, contrôlé et conforme aux exigences internes et externes. En exploitation réelle, cela implique des journaux d'actions, des limites à l'utilisation des données sensibles, l'évaluation des fournisseurs de modèles et des voies d'escalade claires lorsque l'IA se trompe ou dépasse ce qui est permis.

Pour Goldman Sachs, l'adoption de l'IA est à la fois un projet d'ingénierie, un projet de gestion des risques et un long travail avec la conformité.

Ce que cela signifie

Le principal enseignement de la position de Goldman Sachs est simple : l'ère du « chatbot pour expérimenter » touche à sa fin. L'étape suivante, c'est l'IA comme infrastructure d'entreprise maîtrisée, où la valeur ne vient pas de démos isolées, mais de l'association d'agents, de données, de processus de contrôle et d'un nouveau rôle pour l'ingénieur.