Pour les acteurs des services financiers, l’agentic AI – ces systèmes capables d’effectuer des tâches de manière plus autonome – ne se heurte pas seulement à des questions techniques. Le principal défi reste la disponibilité et l’exploitabilité des données. Sans une préparation solide, les agents risquent de produire des résultats incomplets, difficiles à justifier, ou peu fiables dans des environnements où la conformité et la traçabilité sont déterminantes.

Des données dispersées, des exigences de précision

Dans une banque, l’information a souvent été produite sur des décennies, selon des formats multiples et hétérogènes. Les documents peuvent exister sous différentes versions, tandis que les systèmes internes conservent des traces et des structures variées. Cette fragmentation complique l’exploitation automatique : comment faire en sorte qu’un agent s’appuie sur les bonnes sources, au bon moment, et avec un niveau de précision compatible avec les contraintes du secteur ?

Autrement dit, il n’est généralement pas question d’accepter un résultat « suffisamment bon ». L’enjeu consiste à fiabiliser le processus de bout en bout, depuis la récupération des données jusqu’à la génération de sorties vérifiables.

Rechercher, sécuriser et contextualiser

Une condition essentielle réside dans la capacité à retrouver et exploiter rapidement des informations structurées comme non structurées. Les organisations qui parviennent à consolider l’accès aux données, tout en préservant leur sécurité, peuvent mieux tirer parti de l’agentic AI. Le moteur de recherche et de “contexte” devient alors un élément central : il doit relier l’agent aux données pertinentes et soutenir une sortie « ancrée » sur des éléments réels.

Dans cette logique, les plateformes de recherche ne servent pas uniquement à accélérer les requêtes. Elles contribuent aussi à la réduction des risques en rendant l’information plus accessible, tout en améliorant la gouvernance et la justification des réponses.

Cas d’usage : surveillance, conformité et explications

Une fois l’infrastructure de données en place, l’agentic AI peut être mobilisée dans des scénarios concrets, où l’automatisation s’accompagne d’exigences d’audit :

• Surveillance des expositions clients : analyse continue de transactions, signaux de marché et données externes pour repérer des risques émergents, avec escalade ou alerte en temps réel.

• Contrôle des opérations commerciales : analyse des étapes de traitement, détection d’écarts entre formats, résolution progressive des exceptions avec un minimum d’intervention humaine.

• Reporting réglementaire : collecte d’informations issues de plusieurs systèmes, génération de rapports et suivi de la provenance et du chemin de production des résultats.

Dans ces domaines, la valeur de l’agentic AI tient autant au gain de temps qu’à la capacité à produire des résultats traçables et expliqués, ce qui facilite les exigences de contrôle interne et de conformité.

Passer du pilote à un écosystème gérable

Le déploiement peut toutefois être freiné par des initiatives préexistantes qui n’ont pas abouti, ou par des processus encore trop manuels, cloisonnés et difficiles à industrialiser. Une approche pragmatique consiste à démarrer par un cas d’usage maîtrisable, puis à élargir progressivement une fois les premières étapes stabilisées.

Les premiers succès alimentent la suite : au lieu de viser une automatisation globale dès le départ, les organisations identifient une séquence actionnable, la fiabilisent, puis l’étendent. Les acteurs les plus avancés cherchent à intégrer l’agentic AI dans un cadre plus large incluant des contrôles de sécurité, une gouvernance des données et des mécanismes de pilotage de la performance.

En pratique, l’objectif est de construire une boucle d’amélioration : les systèmes génèrent des signaux exploitables pour évaluer l’efficacité des investissements, ajuster les règles, et rendre les résultats plus robustes avec le temps.

Repères pour la “data readiness”

Pour avancer sur la préparation des données, les organisations de services financiers gagnent généralement à :

• Inventorier les sources, leurs formats et leur qualité réelle (complétude, cohérence, fraîcheur).

• Mettre en place un accès sécurisé et des règles de gouvernance clairement définies.

• Normaliser l’indexation afin que la recherche puisse retrouver l’information au bon niveau de granularité.

• Assurer la traçabilité des sorties, pour répondre aux attentes d’audit et de conformité.

Dans une logique de consolidation et de recherche sur de grands volumes, certaines équipes s’appuient sur des briques reconnues pour l’indexation et l’accès aux données. Par exemple, une solution orientée recherche et indexation comme Elastic Enterprise Search peut s’inscrire dans un dispositif de préparation des données, à condition de l’adapter aux exigences de gouvernance et de sécurité du secteur.

De même, pour structurer un environnement d’extraction, de transformation et de centralisation des données, des outils d’intégration de données type ETL/ELT peuvent aider à réduire la fragmentation et à améliorer la qualité des jeux exploités par les agents.