Dans le cadre d’une vague plus large d’intelligence artificielle dans le secteur financier, Goldman Sachs pilote Anthropic Claude pour les banques et les processus opérationnels critiques tels que la comptabilité commerciale et l'intégration des clients.
L'utilisation de Claude dans les processus back-office
Goldman Sachs envisage d'intégrer le modèle Claude De Anthropique en comptabilité des opérations et en intégration des clients. L'initiative, décrite par American Banker, fait partie d'une stratégie plus large visant à utiliser l'IA générative et à accroître l'efficacité des processus de back-office.
Ces tâches comprennent l'examen des documents, le rapprochement des données et les contrôles de conformité, qui sont traditionnellement effectués par de grandes équipes. L’objectif est de réduire les délais de traitement et le nombre de dossiers nécessitant une intervention manuelle.
Comparaison avec d'autres grandes banques
Plusieurs institutions adoptent déjà l’IA générative pour leurs activités de travail du savoir. JPMorgan Chase fournit aux employés une suite de modèles linguistiques pour la recherche d'informations et l'analyse de données, tandis que l'assistant Bruyère de Bank of America répond aux questions internes sur la technologie et les ressources humaines.
En outre, Citation et Goldman utilisent des systèmes d'intelligence artificielle pour aider les développeurs à écrire du code. La nouveauté qui a émergé, selon l'article, est le passage de l'utilisation pour des activités de connaissances à une utilisation dans des opérations telles que la comptabilité commerciale et les processus. KYC (connaissez votre client).
Automatisation des cas extrêmes
Dans le secteur bancaire, de nombreux processus automatisables sont basés sur des règles : collecte de données, vérification avec des bases de données internes et externes et préparation de la documentation obligatoire. En théorie, les logiciels traditionnels sont déjà capables de gérer ces séquences opérationnelles.
Cependant, le directeur de l'information de Goldman, Marco Argentiobserve que même si un système de règles résout la majorité des cas, un petit pourcentage de transactions reste en dehors des paramètres par défaut. En cas de volumes élevés, cela signifie des milliers de cas individuels.
Argenti donne l'exemple de la vérification d'identité pour la conformité KYC, où de petites divergences ou des documents proches de l'expiration génèrent des cas limites qui nécessitent des évaluations discrétionnaires. De plus, ces scénarios se multiplient à mesure que le nombre de clients et de contreparties augmente.
Comment l'IA gère les micro-décisions
Selon Argenti, les réseaux de neurones peuvent gérer ces micro-décisions grâce à leur capacité à appliquer un raisonnement contextuel, précisément là où des règles fixes manquent ou n'apportent pas de réponse claire. Dans ce modèle, l’IA générative complète les systèmes de règles existants, sans les remplacer.
Cela dit, l’amélioration opérationnelle passe par la réduction du nombre d’exceptions nécessitant une intervention humaine. En conséquence, les délais de résolution des cas non standards sont raccourcis, avec un impact direct sur les coûts et les niveaux de service.
Expérience antérieure en développement de logiciels
L'adoption d'aujourd'hui s'appuie sur l'expérience de Goldman avec les modèles Claude pour le développement de logiciels internes. Les développeurs utilisent une version de Claude intégrée à l'agent Devin De Cognition pour le support de programmation.
Dans ce flux, les développeurs définissent les spécifications et les contraintes réglementaires, l'agent génère le code et les humains vérifient les sorties. De plus, l'agent effectue des tests et une validation des logiciels. Argenti décrit cette configuration comme un changement de flux de travail, les agents exécutant des instructions codées.
Le résultat est une productivité accrue des équipes de développement et une réalisation plus rapide des projets. Pour l’avenir, ces avantages justifient d’étendre l’approche de l’IA à des fonctions opérationnelles autres que le développement.
Du codage aux opérations : focus sur la comptabilité et l'intégration
Pour la comptabilité des opérations et l'intégration des clients, les chefs de projet de Goldman et Anthropic ont analysé les flux existants avec des experts du domaine pour identifier les principaux goulots d'étranglement. Par la suite, des agents d’IA ciblés ont été introduits.
Ces agents examinent les documents, extraient les entités pertinentes, déterminent si des attestations supplémentaires sont nécessaires, analysent les structures de propriété et peuvent déclencher des contrôles de conformité supplémentaires. Ce sont des tâches très gourmandes en documents qui nécessitent généralement un jugement individuel.
De plus, en automatisant la phase d’extraction des données et d’évaluation préliminaire, les agents réduisent considérablement le temps que les analystes passent à comparer différents documents, chiffres et sources.
Flux de réconciliation et potentiel de Claude
Indranil Bandyopadhyayanalyste principal chez Forresterexplique que le rapprochement dans la comptabilité de trading nécessite de comparer des données fragmentées dans différents grands livres internes, confirmations de contrepartie et relevés bancaires. Un flux de travail typique dépend de l’extraction précise et de la mise en correspondance correcte des nombres et des textes avec les documents existants.
La capacité de Claude à gérer de grandes fenêtres contextuelles et à suivre des instructions détaillées le rend bien adapté à ce type de tâche. Pendant ce temps, les processus d'intégration des clients – tels que l'analyse des passeports et des certificats d'enregistrement d'entreprise et la vérification croisée de diverses sources – bénéficient de la capacité de l'IA à extraire des données structurées et à signaler les incohérences.
Dans ce cadre, Anthropic Claude pour les banques et les fonctions opérationnelles réduit la charge globale de travail, tout en laissant aux équipes humaines le soin de superviser les décisions les plus critiques et d'examiner les cas douteux.
Rôle des systèmes d’enregistrement et niveau de flux de travail
Bandyopadhyay souligne que les plateformes de comptabilité et de conformité restent les systèmes d'enregistrement canoniques. Claude agit au niveau du workflow, en s'occupant de l'extraction et de la comparaison des données, tandis que des analystes humains gèrent les exceptions signalées par le code.
Globalement, la valeur opérationnelle dans un environnement réglementé comme celui de la banque naît de cette répartition des tâches : l’IA se concentre sur les volumes et les activités répétitives, tandis que les décisions finales restent entre les mains de personnel qualifié.
Auditabilité, hallucinations et contrôle humain
Jonathan Pelosiresponsable des services financiers chez Anthropic, souligne que Claude est formé pour rendre visible son niveau d'incertitude et fournir l'attribution de la source. Cela crée une piste d’audit qui permet d’atténuer l’impact des hallucinations.
Bandyopadhyay insiste également sur l'importance de la surveillance et de la validation humaines, recommandant aux institutions de concevoir des systèmes dans lesquels les erreurs sont détectées dès le début du processus. De plus, les contrôles internes doivent rester essentiels pour garantir la qualité des données et la conformité réglementaire.
Capacité opérationnelle et risques d’ingénierie sociale
Argenti rejette l’idée selon laquelle les systèmes d’IA sont intrinsèquement plus faciles à tromper que les humains. Selon lui, l’ingénierie sociale exploite les vulnérabilités humaines, tandis qu’un modèle bien entraîné peut reconnaître des anomalies subtiles à grande échelle.
Il réitère par ailleurs la nécessité de combiner jugement humain et contrôles automatisés au sein d’équipes mixtes. Sa thèse implique une augmentation de la capacité opérationnelle sans augmentation proportionnelle du personnel, malgré les problèmes critiques connus dans la mise en œuvre de l’IA.
Perspectives de l'IA générative dans les banques
Dans le secteur bancaire, l’IA générative apparaît comme un outil permettant d’améliorer les performances opérationnelles en accélérant le traitement des documents, en réduisant les délais de traitement des exceptions et en augmentant le débit des flux de travail à volume élevé.
Cela dit, la nécessité de maintenir un contrôle humain continu sur les résultats des modèles signifie que les systèmes d’enregistrement actuels restent centraux et permanents. L’intelligence artificielle complète ces systèmes, mais ne les remplace pas, notamment dans des environnements réglementés comme celui des grandes banques mondiales.