Les groupes financiers découvrent que l'IA agentique exige des données prêtes

Les services financiers préparent l'IA agentique pour automatiser leurs opérations : analyse des demandes de crédit, détection de la fraude, gestion de portefeuille. Mais ils se heurtent à un problème inattendu : le succès ne dépend pas de la sophistication de l'algorithme, mais de la préparation des données.

L'IA agentique dans la finance

L'IA agentique désigne des systèmes qui prennent des décisions et agissent de façon autonome. Dans le secteur financier, cela signifie que l'agent examine une demande entrante, analyse les données disponibles et décide vite : accorder un crédit, signaler une transaction suspecte ou rééquilibrer un portefeuille. Tout cela doit se faire en temps réel, car les marchés financiers changent à chaque seconde.

Par ailleurs, les services financiers évoluent dans l'un des secteurs les plus réglementés de l'économie. Le régulateur peut contester n'importe quelle décision de l'agent, et l'entreprise doit expliquer pourquoi cette décision précise a été prise.

Les données comptent plus que l'algorithme

C'est là que réside le grand paradoxe : les entreprises investissent dans GPT-5, dans des transformeurs puissants, dans des systèmes complexes, et l'agent finit pourtant par mal fonctionner. La raison : il reçoit des données obsolètes, incomplètes ou contradictoires.

Exemple : un responsable des risques entraîne un agent à décider à partir de l'historique de crédit des clients. Mais si cet historique n'est pas mis à jour en temps réel, l'agent recommandera des prêts à des personnes qui ont déjà fait défaut dans une autre banque. Autre cas : un agent analyse des opérations pour repérer la fraude, mais reçoit l'information avec deux heures de retard. Pendant ces deux heures, le fraudeur a déjà retiré l'argent.

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

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

La réglementation comme architecture

Dans les assurances et les banques, un agent ne peut pas se contenter de dire « j'approuve ». 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.

Autrement dit, les données doivent être non seulement à jour, mais aussi auditables. Chaque valeur doit porter un horodatage, une source et une version de schéma. Lorsque la banque centrale lancera un contrôle, l'entreprise devra prouver que l'agent a respecté toutes les exigences. L'architecture des données doit donc être conçue dès le départ pour la réglementation, et non greffée après coup.

Des expérimentations à la production

Beaucoup de services financiers commencent par des pilotes : ils prennent un petit jeu de données, entraînent l'agent sur des données historiques et le lancent dans un bac à sable. Mais au moment de passer en production, il apparaît que l'infrastructure de données n'existe tout simplement pas. Il n'y a aucun système qui unifie les données en temps réel. Aucune couche de gouvernance qui suive la qualité. Aucun moyen d'annuler une décision si les données se révèlent corrompues.

Les entreprises qui ont réussi ont d'abord construit l'infrastructure de données, puis lancé les agents. C'est un chemin long, plus coûteux et plus lent que d'acheter GPT-5 en espérant le meilleur.

Ce que cela signifie

Les entreprises financières devront investir davantage dans l'infrastructure de données que dans l'IA elle-même. Data lakes, pipelines temps réel et cadres de gouvernance deviendront un avantage concurrentiel. Une entreprise dotée de bonnes données déploiera vite son agent et l'améliorera vite. Celle qui pensait avoir besoin du « meilleur algorithme » prendra du retard.