Les agents IA, fer de lance des banques américaines

L’intelligence artificielle (IA) agentique change radicalement la donne. Contrairement aux outils d’automatisation traditionnels, les agents IA dans le secteur financier sont désormais capables de prendre des décisions et d’agir de manière autonome, sans intervention humaine.

Bien qu’encore naissant, ce nouveau système d’IA autonome est en plein boom dans les banques américaines. D’après une enquête menée par EY et le MIT en 2025, 70 % des dirigeants du secteur bancaire affirment que leur banque utilise déjà des agents IA, que ce soit par le biais de déploiements existants (16 %) ou de projets pilotes (52 %). Près d’un cas d’utilisation de l’IA sur trois signalés par les banques au premier trimestre 2026 concerne des agents IA, contre 15 % au quatrième trimestre 2025 (voir graphique).

La nouvelle génération d’IA ne se contente pas de suivre des instructions mais peut interpréter des objectifs, s’adapter à de nouvelles informations et même s’auto-corriger en cas d’erreur. De quoi transformer radicalement l’organisation comme les processus de décision au sein des banques. D’après le Citi Institute, l’IA agentique pourrait avoir un impact plus important sur l’économie et la finance que l’avènement d’Internet. Keri Smith, responsable des données et de l’IA du secteur bancaire et des marchés de capitaux chez Accenture, estime qu’il ne s’agit pas d’un simple séisme mais d’un vrai changement structurel : « Cela ressemble davantage à ce que les API ont apporté aux paiements, ou le cloud à l’infrastructure. Ce qui change réellement, c’est la manière dont le travail est effectué. Les banques traditionnelles s’articulent autour de flux de travail statiques où l’humain intervient aux points de décision. L’IA agentique renverse ce schéma en proposant aux banques des logiciels capables de raisonner, de planifier et d’agir à travers les systèmes avec beaucoup moins d’intervention humaine. » Or, selon Keri Smith, c’est justement dans les domaines où les décisions sont fréquentes, les données abondantes et le coût opérationnel du traitement manuel élevé que se trouve la plus forte dynamique de l’IA agentique.

Sur le terrain, les applications dans le secteur bancaire se multiplient. La plupart d’entre elles sont concentrées autour du service client et de la banque de détail, mais elles s’étendent aussi au trading, à la conformité, à la gestion des risques, aux prêts et aux opérations de back-office.

Par exemple, les agents virtuels de JPMorgan Chase peuvent déjà résoudre automatiquement les demandes courantes des clients, traiter les modifications de compte et pré-approuver des prêts. De même, Erica, l’assistant IA de Bank of America, suit les comptes des clients de manière proactive, leur envoie des alertes sur leurs dépenses et peut agir contre la fraude. « Erica est passée d’un simple assistant virtuel à une infrastructure prenant en charge 65 millions de clients, ce qui permet de disposer d’agents travaillant au nom de chaque client de manière individuelle, en fonction de ses besoins », se félicite Jorge Camargo, responsable des plateformes numériques chez Bank of America. Depuis sa mise en place en 2018, Erica a enregistré 3 milliards d’interactions et peut aujourd’hui répondre à plus de 700 types de questions des clients de la banque.

De son côté, Wells Fargo s’est associée à Google Cloud pour déployer la plateforme Agentspace qui permet d’orchestrer sans intervention humaine la récupération de données de compte et l’exécution sécurisée de transactions et d’offrir des expériences-client personnalisées disponibles 24 heures sur 24 et 7 jours sur 7, capables de fournir des conseils et des recommandations de produits sur mesure.

La nouvelle plateforme de Citi, baptisée Arc, fait aussi office de système d’exploitation centralisé pour les agents IA et sera progressivement déployée à l’ensemble de la banque.

Quant à Goldman Sachs, elle déploie des agents autonomes à partir du modèle Claude d’Anthropic, afin d’automatiser les fonctions essentielles de comptabilité, de conformité et de finance opérationnelle. Ses agents sont actuellement testés sur le rapprochement des transactions, la comptabilité des opérations, ainsi que la vérification et l’intégration des clients.

Comme l’indique un rapport de McKinsey de 2025, la question de la productivité est centrale. « Alors que les banques sont confrontées à une baisse de leurs revenus, certaines explorent les possibilités d’utiliser l’IA pour gagner en productivité », note le rapport. Le cabinet de conseil estime qu’une adoption modérée de l’IA agentique pourrait réduire leurs coûts de 15 à 20 %.

D’ici 2029, l’IA agentique devrait permettre de résoudre de manière autonome 80 % des problèmes courants liés au service client, ce qui se traduirait par une réduction estimée de 30 % des coûts opérationnels des banques, selon le cabinet d’études Gartner.

À titre d’exemple, l’assistant IA déployé auprès de plus de 140 000 employés de JPMorgan doit générer près de 2 milliards de dollars par an de gains de productivité et d’économies de gestion des risques. Les agents de détection des fraudes auraient déjà permis selon la banque d’éviter des pertes de l’ordre de 1,5 milliard de dollars. Coach AI, outil de conseil intelligent pour les gestionnaires de patrimoine, a aussi facilité un accès aux informations 95 % plus rapide pour les conseillers, engendrant une augmentation de 20 % des ventes et une croissance projetée de 50 % du volume du portefeuille clients.

Mais un tel déploiement n’est pas sans risques. Premier enjeu : les données. L’infrastructure de données constitue le véritable frein, car l’IA agentique a des exigences différentes de celles de l’IA traditionnelle. Elle n’a pas seulement besoin de données historiques propres. « Elle a besoin d’un accès en temps réel aux systèmes transactionnels, d’une mémoire contextuelle couvrant l’ensemble des interactions d’un client, ainsi que d’une traçabilité et d’une gouvernance solides, car elle prend des décisions, et ne se contente pas de faire des prédictions », explique Keri Smith. Sans base de données moderne, pas d’IA agentique sûre. « Le modèle peut être incroyablement sophistiqué, mais l’agent n’est efficace que dans la mesure où l’infrastructure de données dans laquelle il évolue l’est » , ajoute-t-elle.

Mais le contrôle reste de loin l’enjeu le plus central. Keri Smith identifie plusieurs risques liés à l’autonomie de l’agent IA agissant au-delà du champ d’action prévu, à l’explicabilité des décisions prises par celui-ci auprès des autorités réglementaires et à la conformité si l’agent enfreint une règle. Se pose également un risque opérationnel de défaillance en cascade touchant l’ensemble des systèmes connectés. In fine, la banque est responsable, estime l’expert : « Les régulateurs ne font pas de distinction entre une décision humaine, un modèle de fournisseur et un agent IA. La banque a pris la décision de le déployer, elle est donc responsable du résultat. » C’est exactement pour cette raison que, selon Keri Smith, la gouvernance, les tests et la documentation sont tout aussi importants que le modèle sous-jacent.

JPMorgan prévoit de déployer cette année des agents IA capables de fonctionner de manière autonome pendant plusieurs heures d’affilée. Toutefois, assure Marianne Lake, à la tête de la division de prêts aux ménages de la banque, « nous ne devons pas, quel que soit le stade de nos innovations, sous-estimer l’importance de la protection des clients ». Elle est au cœur de toutes les démarches, en garantissant une autorisation claire de la part du client, une intervention humaine pour les décisions importantes, une transparence sur les actions menées par les agents et, enfin, un cadre de responsabilité efficace.