70% des organisations de la région Asie/Pacifique (APAC) s'attendent à ce que l'IA agentique perturbe considérablement leurs modèles commerciaux au cours des 18 prochains mois (selon une étude d'IDC). Et c'est particulièrement le cas dans le secteur bancaire où, selon une étude de Bloomberg – L’impact de l’IA agentique sur la productivité et l’efficacité des banques devrait en fait « dépasser les attentes » au cours des 3 à 5 prochaines années.
Cette promesse s'accompagne toutefois de considérations importantes que des experts de renom commencent à mettre en lumière. Selon Vivek Seetharaman, directeur produit chez Moneythor, la plateforme de personnalisation bancaire leader mondial, par exemple, le terme « exponentiel » s'applique aussi bien aux risques qu'au potentiel de la technologie.
« L'IA agentique aidera les banques à exploiter pleinement le potentiel de ce que nous appelons le "Deep Banking" : des expériences personnalisées, anticipant les besoins des clients et susceptibles de s'étendre au-delà des services bancaires traditionnels. En ce sens, l'impact pourrait certainement être qualifié d'"exponentiel" », déclare-t-il.
Mais, ne vous y trompez pas, les risques le sont tout autant. Ils vont de l'intégrité des données (données mal classées ; un découvert bancaire présenté à tort comme un solde, par exemple) au risque accru de failles de sécurité (résultant de l'interaction autonome d'agents d'IA avec de multiples services de données propriétaires et tiers). L'exponentielle découle de la nature même de l'IA agentique, et de ce qui la rend si intéressante : des couches de décisions prises, affinées et répétées selon la même logique. Les agents qui « apprennent » à partir de données inexactes ou incomplètes risquent d'aggraver leurs erreurs, et les conséquences pour la banque et ses clients sont évidentes.
Les techniques traditionnelles de personnalisation et d’engagement client reposent sur des règles prédéfinies qui régissent le comportement d’un système, tandis que l’IA agentique peut littéralement apprendre sur le tas.
Vivek poursuit en décrivant l'intégration et le déploiement de tels agents automatisés comme « l'antithèse du « plug and play », en particulier dans le secteur bancaire, et souligne les principes suivants comme essentiels pour garantir que le plein potentiel de l'IA agentique soit réalisé, plutôt que ses risques :
- La création de garde-corps autour d'un langage et de contextes spécifiques susceptibles de signaler des risques ou des incohérences potentielles. Il est important que ces garde-fous soient appropriés et applicables quel que soit le LLM. De par leur nature même, les règles spécifiques à un LLM peuvent devenir totalement inefficaces en cas de mise à jour ou de changement de LLM (un phénomène inévitable pour les banques disposant de systèmes multiples ou suite à des acquisitions).
- Entièrement documenté procédures de gouvernance Pour le traitement et l'utilisation de toutes les données (y compris celles de tiers). Ces informations doivent être pertinentes et à jour, quelle que soit la juridiction dans laquelle la banque opère (ou souhaite opérer).
- Fondamentalement, l’incorporation de jugement humain et un contrôle à intervalles réguliers, tout au long du processus.
Les commentaires de Vivek font suite au lancement de la nouvelle suite d'IA de Moneythor, destinée à aider les banques à déployer des solutions bancaires avancées (Deep Banking). L'IA agentique est un élément révolutionnaire de cette suite. Cette nouvelle suite intègre également des technologies plus familières, telles que l'IA prédictive, qui permet aux banques de prévoir les flux de trésorerie et de générer des recommandations contextuelles en temps réel basées sur des scénarios futurs probables, et l'IA générative, qui permet de développer, tester, déployer et adapter à la volée des contenus et des recommandations clients personnalisés. De plus, l'IA conversationnelle, basée sur le protocole MCP (Model Context Protocol), standard du secteur, offre des expériences conversationnelles pertinentes et contextuelles via n'importe quel LLM, sans nécessiter de formation individuelle pour chaque module.
« Moneythor déploie l'IA pour fournir des services bancaires personnalisés depuis plus de 13 ans ; cette expérience nous a appris à reconnaître les « deux côtés » de l'équation exponentielle, en particulier lorsqu'il s'agit d'IA agentique », ajoute Vivek.
« L'IA agentique est particulièrement pertinente pour la relation client, de l'acquisition au support client. En effet, les agents peuvent non seulement aider les marques à proposer une expérience cohérente et personnalisée, mais ils le font aussi de manière humaniste et naturelle, car ils apprennent et s'adaptent « sur le terrain », tout comme les employés. Cependant, ce potentiel comporte des risques s'il n'est pas exploité avec soin et attention », conclut-il.
Les clients de Moneythor incluent ANZ, NAB, Standard affrété, DBS et Banque de confiance.