Les entreprises financières l'ont compris : l'AI agentique exige une préparation des données

Les entreprises de services financiers préparent l'IA agente pour automatiser les opérations : analyse des demandes de crédit, détection des fraudes, gestion de portefeuille. Mais elles rencontrent un problème inattendu — le succès dépend non pas de la complexité de l'algorithme, mais de la préparation des données.

L'IA agente en finance

L'IA agente est un système qui prend des décisions et agit de manière autonome. Dans le secteur financier, cela signifie : un agent reçoit une demande entrante, analyse les données disponibles et décide rapidement — approuver un crédit, signaler une transaction suspecte ou rééquilibrer un portefeuille. Tout cela doit se dérouler en temps réel, car les marchés financiers changent chaque seconde. En même temps, les services financiers opèrent dans l'un des secteurs les plus réglementés de l'économie. Chaque décision de l'agent peut être contestée par les régulateurs — et l'entreprise doit expliquer pourquoi exactement cette décision a été prise.

Les données sont plus importantes que l'algorithme

C'est ici que réside le principal paradoxe : les entreprises investissent dans GPT-5, dans des transformateurs puissants, dans des systèmes complexes — et en résultat l'agent commence à fonctionner mal. Parce que l'agent reçoit des données obsolètes, des données incomplètes, des données contradictoires. Exemple : un gestionnaire des risques entraîne un agent à prendre des décisions basées sur les historiques de crédit des clients.

Mais si l'historique n'est pas mis à jour en temps réel, l'agent recommandera des crédits à des personnes qui ont déjà fait défaut dans une autre banque. Ou : un agent analyse les transactions pour détecter les fraudes, mais reçoit les informations avec un délai de deux heures. Au cours de ces deux heures, le fraudeur a déjà retiré l'argent.

Les défis qui bloquent même l'IA la plus intelligente :

• Pertinence en temps réel — les données doivent être mises à jour seconde par seconde, pas une fois par jour
• Cohérence entre les systèmes — le CRM voit une chose, le back-office en voit une autre, le data lake en voit une troisième
• Complétude réglementaire — toutes les données pour KYC, AML, PCI-DSS doivent être documentées et disponibles pour audit
• Qualité de l'historique — les mauvaises données du passé entraînent les agents à prendre de mauvaises décisions
• Intégration dans le processus réel — l'agent recommande, mais les systèmes opérationnels ne l'écoutent pas

La réglementation comme architecture

Dans les compagnies d'assurance et les banques, un agent ne peut pas simplement dire « approuvé ». Il doit documenter chaque étape : quelles données il a utilisées, quelles règles il a appliquées, quel résultat il a obtenu. Le régulateur exige que cela soit explicable. Cela signifie que les données doivent être non seulement actuelles, mais aussi auditables. Chaque valeur — avec horodatage, source, version du schéma. Quand la Banque centrale commence une inspection, l'entreprise doit prouver que l'agent a respecté toutes les exigences. Cela signifie que l'architecture des données doit être conçue pour la réglementation dès le départ, pas ajoutée ultérieurement.

Des expériences à la production

De nombreux services financiers commencent par des pilotes — prennent un petit ensemble de données, entraînent l'agent sur des données historiques, l'exécutent dans un sandbox. Mais quand vient le moment de mettre l'agent en production, il s'avère que l'infrastructure des données n'existe simplement pas. Il n'y a pas de système qui consoliderait les données en temps réel. Il n'y a pas de couche de gouvernance qui suivrait la qualité. Il n'y a pas de moyen d'annuler une décision si les données s'avèrent corrompues. Les services financiers qui ont réussi ont d'abord construit une infrastructure de données, puis ont lancé des agents. C'est un long chemin — plus cher et plus lent que d'acheter GPT-5 et d'espérer le meilleur.

Ce que cela signifie

Les entreprises financières devront investir plus dans l'infrastructure des données que dans l'IA elle-même. Data lakes, pipelines en temps réel, frameworks de gouvernance — ce sera un avantage concurrentiel. Une entreprise avec de bonnes données lancera un agent rapidement et l'améliorera rapidement. Une entreprise qui pensait avoir besoin du « meilleur algorithme » restera à la traîne.