Goldman Sachs étend l'utilisation opérationnelle d'Anthropic Claude dans la comptabilité commerciale et l'intégration des clients

Les grandes institutions financières accélèrent leurs expérimentations avec l’IA générative, et Goldman Sachs étend désormais la plateforme anthropic Claude à plusieurs flux de travail back-office.

Goldman Sachs intègre l’IA générative dans le back-office

Goldman Sachs prévoit de déployer le modèle Claude d’Anthropic dans la comptabilité des transactions et l’intégration des clients, en présentant cette mise en œuvre comme faisant partie d’une initiative plus large parmi les grandes banques pour utiliser l’IA générative afin d’améliorer l’efficacité. L’accent initial est mis sur les processus opérationnels situés en back-office, qui dépendaient historiquement de grandes équipes chargées de la revue de documents, de la réconciliation et des vérifications de conformité.

Plusieurs banques appliquent déjà l’IA générative au travail de connaissance. JPMorgan Chase donne à ses employés accès à une suite de modèles linguistiques pour la recherche d’informations et l’analyse de données. De plus, Bank of America utilise son assistant Erica pour répondre aux questions internes sur la technologie et les ressources humaines. Citi et Goldman s’appuient tous deux sur des outils d’IA pour soutenir les développeurs dans leurs tâches de codage, ce qui montre que les déploiements précoces étaient davantage axés sur la recherche et le développement logiciel que sur les opérations.

Cependant, le rapport de l’American Banker note une tendance plus récente : l’utilisation de l’IA générative pour des activités opérationnelles telles que la comptabilité des transactions et les vérifications « Know Your Customer » (KYC). Cela marque un changement, passant d’utilisations purement analytiques à l’automatisation de flux de travail fortement transactionnels qui impactent directement les opérations bancaires quotidiennes.

Automatiser les cas limites en KYC et en réconciliation

De nombreux processus bancaires automatisables sont basés sur des règles, impliquant la collecte de données, leur validation contre des bases de données internes et externes, et la création de la documentation requise. En théorie, les logiciels traditionnels gèrent déjà une grande partie de ce travail. Cependant, Marco Argenti, directeur informatique de Goldman, soutient que même si une plateforme basée sur des règles résout la majorité des cas, un petit pourcentage de transactions échappe aux paramètres prédéfinis et génère des milliers d’exceptions à grande échelle.

Il cite la vérification d’identité dans la conformité KYC comme un exemple typique. De légères discrepancies dans les dossiers ou documents clients proches de leur date d’expiration peuvent générer des cas limites nécessitant un jugement humain. De plus, ces exceptions ont tendance à se concentrer dans des environnements à fort volume, rendant leur revue manuelle coûteuse et lente.

Argenti affirme que les réseaux neuronaux peuvent traiter ces micro-décisions car ils appliquent un raisonnement contextuel là où les règles fixes font défaut ou sont ambiguës. Dans ce contexte, l’IA générative complète les moteurs de règles existants plutôt que de les remplacer. Les gains opérationnels proviennent de la réduction de la part de cas nécessitant une intervention manuelle, ce qui raccourcit le temps de résolution des exceptions et améliore le traitement en flux continu.

Leçons tirées du développement logiciel assisté par l’IA

Les travaux antérieurs de Goldman avec Claude pour le développement logiciel interne ont influencé sa décision d’étendre l’IA à d’autres domaines opérationnels. Les développeurs de la banque utilisent une version de Claude combinée avec l’agent Devin de Cognition pour soutenir les flux de travail de programmation. Dans ce processus, les ingénieurs humains définissent les spécifications et contraintes réglementaires, l’agent génère du code, puis les développeurs examinent et affinent le résultat.

L’agent Devin exécute également des tests et validations de code. Argenti décrit cette configuration comme un changement structurel dans les flux de travail des développeurs, avec des agents d’IA opérant selon des instructions clairement définies. De plus, la combinaison de codage basé sur des spécifications et de tests automatisés a augmenté la productivité des développeurs et réduit les délais de réalisation des projets.

Cette expérience a convaincu Goldman que les agents d’IA peuvent gérer en toute sécurité des tâches à portée limitée dans un environnement réglementé, tant que les responsabilités sont clairement réparties entre humains et systèmes. Cela dit, la couche de revue humaine reste centrale, notamment lorsque les résultats ont des implications réglementaires ou de risque.

Du codage aux flux de travail opérationnels documentés

Pour la comptabilité des transactions et l’intégration des clients, les responsables de projet de Goldman et d’Anthropic ont d’abord observé les flux existants avec des experts du domaine pour repérer les goulets d’étranglement. Les agents d’IA déployés examinent désormais les documents, extraient les entités, déterminent si une documentation supplémentaire est nécessaire, évaluent les structures de propriété et déclenchent d’autres vérifications de conformité si besoin. Ces tâches sont généralement documentées et nécessitent un jugement individuel, ce qui les rend adaptées à une assistance décisionnelle par l’IA.

En automatisant l’extraction et l’évaluation préliminaire, les agents réduisent le temps que les analystes consacrent à la comparaison manuelle. Cependant, ils ne remplacent pas la décision finale. Au lieu de cela, ils présentent des données structurées et des étapes suivantes suggérées, permettant aux spécialistes de se concentrer sur des cas complexes ou à haut risque plutôt que sur la gestion routinière des dossiers.

Indranil Bandyopadhyay, analyste principal chez Forrester, explique que la réconciliation en comptabilité des transactions nécessite de comparer des données fragmentées provenant de registres internes, de confirmations de contrepartie et de relevés bancaires. Un flux de travail typique dépend d’une extraction précise et d’un appariement des chiffres et textes issus de plusieurs documents. Ici, Claude d’Anthropic est positionné comme une solution pour gérer cette étape d’appariement intensive en documents à grande échelle.

Pourquoi Claude convient aux cas d’usage de réconciliation et d’intégration

Bandyopadhyay souligne que la capacité de Claude à traiter de larges fenêtres de contexte et à suivre des instructions détaillées le rend particulièrement adapté aux flux de travail complexes de réconciliation. Pour l’intégration des clients, les analystes doivent analyser les passeports et les dossiers d’enregistrement d’entreprise, puis croiser toutes les sources. De plus, la nécessité d’interpréter des documents non structurés ajoute une complexité que les outils traditionnels basés sur des règles ont du mal à gérer efficacement.

Dans ce contexte, la capacité de l’IA à extraire des données structurées, à mettre en évidence les incohérences et à signaler les documents manquants constitue une solution pertinente. Le résultat est une charge de travail globale réduite pour les analystes et un cycle d’intégration plus rapide pour les clients, tout en respectant les normes de gouvernance requises dans le secteur bancaire.

Il est crucial de noter que les plateformes de comptabilité et de conformité restent les systèmes de référence. Claude intervient dans la couche de flux de travail, responsable de l’extraction et de la comparaison, tandis que les analystes humains gèrent les exceptions que le code met en évidence. Selon lui, la valeur opérationnelle dans des secteurs fortement réglementés comme la banque réside dans cette division du travail plutôt que dans une automatisation totale.

Gestion des risques, incertitude et supervision humaine

Jonathan Pelosi, responsable des services financiers chez Anthropic, indique que Claude est entraîné pour faire apparaître l’incertitude et fournir des attributions de sources, créant ainsi une piste d’audit qui réduit l’effet des hallucinations. De plus, ces choix de conception visent à rendre le comportement de l’IA plus transparent pour les équipes de gestion des risques et les régulateurs en liant les résultats à leurs preuves de support.

Bandyopadhyay insiste également sur l’importance de la supervision et de la validation humaines, en encourageant les institutions à concevoir des systèmes permettant de détecter précocement les erreurs dans le flux de travail. Cela dit, il reconnaît qu’avec une surveillance appropriée, les agents d’IA peuvent gérer une grande part des vérifications et comparaisons répétitives beaucoup plus rapidement que le personnel humain.

Marco Argenti de Goldman rejette l’idée que les systèmes d’IA soient intrinsèquement plus faciles à tromper que les humains. Il soutient que les attaques d’ingénierie sociale exploitent principalement les vulnérabilités humaines, alors que les modèles d’IA peuvent détecter des anomalies subtiles à grande échelle. Cependant, il réaffirme que la configuration optimale combine le jugement humain avec une surveillance automatisée dans des équipes intégrées.

Implications pour les opérations bancaires

Selon Argenti, cette combinaison implique une augmentation significative de la capacité opérationnelle sans augmentation proportionnelle des effectifs, même en tenant compte des problèmes connus liés au déploiement de l’IA. De plus, cela permet aux banques de gérer la croissance des exigences réglementaires et documentaires tout en maîtrisant la croissance des effectifs.

Dans tout le secteur bancaire, l’IA générative émerge comme un outil pour améliorer la performance opérationnelle en accélérant le traitement des documents, en réduisant les délais de gestion des exceptions et en augmentant le débit dans les flux à fort volume. Cependant, le besoin continu de supervision humaine oblige les institutions à conserver leurs systèmes de référence et leurs structures de gouvernance, en utilisant l’IA principalement pour rationaliser les couches qui leur sont supérieures.

En résumé, le travail de Goldman avec Claude et ses agents associés suggère un modèle pragmatique pour l’IA générative dans la finance : automatiser les tâches documentaires et proches des règles, faire apparaître clairement les exceptions, et laisser aux experts humains la responsabilité ultime des décisions critiques et de la conformité réglementaire.