Nadia ANTONIN
Depuis 2022, les débats sur l’intelligence artificielle (IA) ont principalement porté sur les modèles de langage et les assistants conversationnels (chatbots), tels que ChatGPT (OpenAI), Copilot (Microsoft), Gemini (Google), Claude (Anthropic) ou le Chat (Mistral). A cet égard, il existe différents formats de robots conversationnels dont celui basé sur l’IA générative à l’aide des techniques d’apprentissage automatique (machine learning) et de traitement en langage naturel (natural language processing).
Après les agents conversationnels et l’IA générative, une nouvelle génération de systèmes d’IA émerge : l’IA agentique qui est déjà utilisée dans de nombreux secteurs. Dans le secteur financier, cette évolution technologique ouvre des perspectives importantes mais soulève également des défis majeurs.
IA agentique : analyse conceptuelle
« L’ère de l’IA agentique est déjà arrivée. Des agents sont déployés à grande échelle dans l’économie pour effectuer toutes sortes de tâches » a déclaré Sinan Aral, professeur de gestion, d’informatique et de marketing au MIT Sloan.
Un rapport du MIT Sloan Management Review et du Boston Consulting Group de novembre 2025 révèle que 76 % des dirigeants considèrent désormais les IA agents davantage comme des collègues que comme des outils. Par ailleurs, en moins de deux ans, 35 % des entreprises ont déjà adopté l’IA agentique et 44 % supplémentaires prévoient de la déployer très prochainement.
Comme le souligne l’Institut national de recherche en sciences et technologies du numérique (INRIA), l’IA agentique représente moins une rupture scientifique fondamentale qu’une rupture fonctionnelle et systémique. Pour le Conseil de l’IA et du numérique, l’IA agentiquene constitue pas une rupture technologique unique mais correspond plutôt à la combinaison d’accélérations technologiques.
L’Organisation de coopération et de développement économiques (OCDE), signale que les concepts « agents d’IA » et « IA agentique » sont parfois utilisés de manière interchangeable, ce qui entraîne une certaine confusion et un manque de clarté conceptuelle. Cependant, un examen plus approfondi révèle des distinctions importantes entre ces deux concepts (« The agentic AI landscape and its conceptual foundations », février 2026).
Pour l’OCDE, « l’IA agentique désigne des systèmes composés de plusieurs agents d’IA coordonnés, capables de décomposer des tâches, de collaborer et de poursuivre des objectifs complexes de manière autonome sur de longues périodes. Ces systèmes sont conçus pour fonctionner dans des environnements physiques ou virtuels plus ouverts et moins prévisibles, et pour opérer avec un minimum de supervision humaine ».
Contrairement à l’IA générative qui se limite à produire du contenu, l’IA agentique, système d’IA autonome, est capable d’agir de manière indépendante pour atteindre des objectifs prédéterminés. On lui délègue une tâche à exécuter. Il se compose d’agents IA, de modèles d’apprentissage automatique capables d’imiter la prise de décision humaine pour résoudre des problèmes en temps réel.
Les principaux enjeux de l’IA agentique dans le secteur financier
L’IA agentique peut automatiser des processus complexes afin d’améliorer la productivité tout en réduisant les coûts opérationnels : analyse de marchés et veille économique, détection des fraudes et des opérations suspectes, automatisation des processus de conformité, etc.
Par ailleurs, l’IA agentique permet d’accélérer la prise de décision grâce à une meilleure exploitation des données : amélioration de la pertinence des données utilisées et consolidation des données jusque-là dispersées.
Enfin, grâce à l’IA agentique, les banquiers, assureurs et gestionnaires d’actifs peuvent proposer une personnalisation des services financiers.
Quelques exemples d’utilisation de l’IA agentique dans le secteur bancaire et financier
Ce nouveau système d’IA est en plein boom dans les banques américaines. D’après une enquête de Ernst and Young et du MIT en 2025, 70 % des dirigeants du secteur bancaire affirment que leurs banques utilisent déjà l’IA agentique. Sur le terrain, les applications dans le secteur bancaire se multiplient. Ainsi, JPMorgan Chase explore l’utilisation de l’IA agentique pour détecter les fraudes, fournir des conseils financiers personnalisés, automatiser les processus d’approbation de prêts et traiter des documents juridiques.
En France, la Société Générale, par l’intermédiaire de sa nouvelle entité SocGen AI, transforme sa transformation numérique en se concentrant sur l’IA agentique, qu’elle perçoit comme la prochaine étape majeure au-delà de l’IA générative classique.
Le groupe BPCE mise sur l’IA pour automatiser davantage de processus, tout en conservant l’humain au cœur des décisions stratégiques. Des tests sont effectués sur différents métiers : relation-client, middle-et back-offices, contrôles.
Les principaux défis liés à l’IA agentique
L’un des plus grands défis concerne la question de la responsabilité en cas de défaillance d’un système autonome. D’où la nécessité de maintenir une supervision humaine.
En outre, avec l’IA agentique, nous nous heurtons aux risques de non-conformité règlementaire (RGPD, AI Act européen, lutte contre le blanchiment des capitaux, …).
Concernant la cybersécurité, si l’IA agentique peut être mise à son service (détection de la fraude notamment), elle n’en crée pas moins de nouvelles menaces : attaque par injection d’instructions génératives (prompts), fuite de données sensibles, … Un rapport du Sénat du 28 avril 2026 souligne que l’IA agentique accélère les capacités d’attaque bien plus rapidement que l’installation d’outils de cyberdéfense.
De plus, la prolifération de l’IA agentique entraîne de nouveaux risques systémiques tels que l’amplification des réactions de marché, l’augmentation de la contagion financière, …
Enfin, parmi les défis éthiques de l’IA agentique, son déploiement pose des risques de biais algorithmiques et des violations de la confidentialité des données personnelles.
En conclusion, l’IA agentique préfigure désormais des mutations profondes au sein du secteur de la finance. Elle gagne du terrain en automatisant des processus complexes, en s’imposant comme le nouveau moteur de la relation client et en améliorant la gestion des risques. Toutefois, son déploiement soulève des défis considérables en matière de gouvernance, de conformité règlementaire, de cybersécurité et de gestion du risque systémique. Pour réussir cette nouvelle révolution de l’intelligence artificielle, il faudra combiner autonomie des agents, supervision humaine et conformité règlementaire. Comme le souligne Bpifrance, l’IAagentique, aussi performante soit-elle, présente des limites et des risques. « L’équilibre entre autonomie, supervision et responsabilité humaine demeure indispensable pour garantir la fiabilité et l’éthique des décisions prises ».
