IA agentique dans la banque: TD montre ce qui vient ensuite

L’intelligence artificielle s’enfonce davantage dans le cœur opérationnel des banques traditionnelles. Depuis des années, le secteur financier utilise l’IA pour la détection de fraude, le scoring de crédit, la segmentation client, le filtrage de conformité et le support par chatbot. Cependant, la plupart de ces systèmes étaient étroits, spécifiques à une tâche et dépendants de flux de travail humains clairement définis.

La prochaine phase est différente. Agentic AI donne aux banques des agents logiciels capables d’interpréter des objectifs, de rassembler des informations, d’exécuter des tâches à plusieurs étapes, d’escalader les exceptions et de produire des résultats exploitables avec moins d’intervention humaine directe. Cela ne signifie pas que les banques confient les décisions de crédit à des algorithmes non surveillés. Cela signifie qu’elles commencent à intégrer l’IA dans la couche de flux de travail où se croisent documents, règles, politiques, données client et jugement des employés.

Le lancement par le groupe TD Bank de son premier modèle d’IA agentique pour le crédit garanti immobilier est un exemple clair de la direction que prend ce changement. La banque utilise l’IA agentique pour automatiser et rationaliser certaines parties du processus de demande de prêt hypothécaire et de marge de crédit sur valeur domiciliaire. Son premier déploiement se concentre sur la pré-adjudication, où le système génère des mémos récapitulatifs pour les souscripteurs en classifiant les documents, en extrayant les informations clés, en calculant les revenus, en vérifiant le consentement, en validant les chiffres par rapport aux exigences de politique sélectionnées, en identifiant les divergences et en produisant un résumé concis du dossier.

Selon TD (TD ), les premiers résultats ont réduit un processus qui prenait en moyenne 15 heures à moins de trois minutes. Pour une banque, il ne s’agit pas seulement d’une mise à jour technologique. C’est une potentielle refonte de la façon dont le travail de prêt est acheminé, examiné, mesuré et mis à l’échelle.

Qu’est-ce que l’IA agentique en finance ?

L’IA agentique désigne les systèmes d’IA capables de poursuivre un objectif à travers une séquence d’actions plutôt que de simplement répondre à une invite unique. Un outil d’IA générative conventionnel peut résumer un document lorsqu’on le lui demande. Un système agentique peut localiser les documents pertinents, les classer, extraire les données nécessaires, comparer ces données à la politique, signaler les incohérences, préparer un résumé et acheminer le dossier à un décideur humain.

Dans le secteur bancaire, cette distinction est importante car la plupart des flux de travail à forte valeur ajoutée ne sont pas des tâches à une seule étape. L’adjudication hypothécaire, la revue de crédit commercial, les enquêtes anti-blanchiment, l’intégration de la gestion de patrimoine, les réclamations d’assurance et les rapports réglementaires impliquent tous plusieurs systèmes, documents, règles, approbations et exigences d’audit.

Comment l’IA agentique diffère de l’automatisation standard

L’automatisation traditionnelle fonctionne le mieux lorsque le processus est répétitif et structuré. L’automatisation robotisée des processus, par exemple, peut transférer des données d’un système à un autre si le format d’entrée est prévisible. L’IA agentique est plus flexible. Elle peut travailler sur des documents semi-structurés, du langage naturel, des politiques internes et des dossiers clients en évolution.

Cette flexibilité explique l’intérêt des banques. Leur base de coûts est remplie de travaux de connaissance qui sont répétitifs mais pas simples. Les employés passent un temps considérable à lire, concilier, résumer et vérifier les informations avant qu’une décision puisse être prise. L’IA agentique cible cette couche intermédiaire du travail.

• Elle peut réduire la révision manuelle des documents.
• Elle peut améliorer la cohérence au sein de flux de travail complexes.
• Elle peut aider les employés à se concentrer sur le jugement, les exceptions et les relations client.

Pourquoi les grandes banques commencent par le crédit

Le crédit est une cible logique pour l’IA agentique car il combine l’urgence du client, de gros volumes de documents, des coûts opérationnels élevés et des contrôles de risque stricts. Les demandes de prêt hypothécaire et de crédit garanti obligent les banques à évaluer les revenus, l’emploi, les actifs, les passifs, les informations sur le bien, le consentement, la conformité aux politiques et les risques d’exception. Une grande partie de ce travail est administratif, mais les erreurs peuvent créer des expositions de crédit, réglementaires et réputationnelles.

Le déploiement de TD est important car il ne positionne pas l’IA comme un remplacement des souscripteurs. Au contraire, il crée une couche de pré-adjudication plus solide. L’IA prépare le dossier, trouve les divergences et génère un mémo. Le souscripteur humain peut alors examiner un paquet plus complet et structuré.

Ce modèle devrait devenir le schéma dominant pour les banques traditionnelles. L’opportunité à court terme n’est pas une banque entièrement autonome. Il s’agit d’une banque dirigée par l’humain avec des agents IA qui gèrent la préparation, la vérification et l’orchestration du flux de travail qui ralentissent les processus orientés client.

Ce que l’IA agentique offre aux clients bancaires

Pour les clients, le bénéfice le plus visible est la rapidité. Les demandeurs de prêts hypothécaires vivent souvent la banque comme une succession de demandes de documents, de périodes d’attente, de boucles de clarification et de mises à jour d’état opaques. Si les agents IA peuvent compresser le processus de révision interne, les clients peuvent recevoir des indications d’approbation plus tôt, des demandes d’informations manquantes plus rapides et moins d’interactions répétitives.

La rapidité influence également la confiance du client. Dans l’immobilier, les retards peuvent être décisifs. Les acheteurs peuvent naviguer entre des échéances d’offres, des conditions de financement, des variations de taux et des offres concurrentes. Un processus de pré-adjudication plus rapide peut rendre l’expérience bancaire moins incertaine lors d’une décision financière à fort stress.

Le deuxième avantage est la personnalisation. L’IA agentique peut aider les banques à comprendre où se situe un client dans le processus et quelle action est nécessaire ensuite. Au lieu de messages génériques, une banque peut fournir des conseils plus spécifiques basés sur l’état réel du dossier. Cela pourrait éventuellement soutenir un service plus proactif sur les hypothèques, les prêts aux petites entreprises, l’intégration d’investissements et les assurances.

Le troisième avantage est la cohérence. Les processus dirigés par l’humain peuvent varier selon l’agence, l’équipe, la charge de travail et la complexité des documents. L’IA agentique peut standardiser la couche de préparation afin que les employés reçoivent un dossier plus uniforme avant d’exercer leur jugement.

Ce que l’IA agentique offre aux banques

Pour les banques, les aspects économiques sont plus directs. Les grandes institutions fonctionnent à une échelle énorme, mais de nombreux processus back‑office restent intensifs en main‑d’œuvre. L’IA agentique peut réduire le temps que les employés consacrent aux tâches de révision à faible valeur ajoutée tout en améliorant le débit des lignes de produits à fort volume.

L’opportunité est particulièrement attrayante car les banques n’ont pas besoin d’inventer de nouvelles catégories de revenus pour en profiter. Même des améliorations modestes du temps de traitement, de la gestion des exceptions, de la détection de fraude et de la productivité des employés peuvent créer une valeur significative lorsqu’elles sont appliquées à des millions de comptes et de demandes.

Il existe également un avantage en matière de risque. Un système agentique correctement gouverné peut laisser une trace structurée de ce qu’il a vérifié, de ce qu’il a extrait, de la exigence de politique référencée et de l’exception signalée. Cette auditabilité est cruciale dans la banque, où l’explicabilité et la responsabilité comptent autant que la rapidité.

• Coûts de traitement réduits sur les flux de travail lourds en documents.
• Conversion client plus rapide sur les marchés de crédit concurrentiels.
• Meilleurs contrôles internes lorsque les sorties de l’IA sont surveillées et auditables.

Le défi de gouvernance que les banques ne peuvent éviter

La plus grande contrainte à l’IA agentique dans la finance traditionnelle n’est pas la capacité du modèle. C’est la gouvernance. Les banques opèrent dans un environnement réglementé où la confidentialité, l’équité, l’explicabilité, la cybersécurité, la résilience opérationnelle et la gestion du risque de modèle sont des exigences fondamentales.

C’est pourquoi la référence de TD à la supervision par son équipe Trustworthy AI est importante. À mesure que l’IA agentique touche davantage d’étapes opérationnelles, les banques auront besoin de contrôles couvrant l’accès aux données, la validation du modèle, la révision humaine, les seuils d’escalade, la gestion des exceptions, la surveillance des sorties et la dérive post‑déploiement.

Le profil de risque diffère également de celui d’un simple déploiement de chatbot. Un agent qui résume des informations produit publiques représente un risque faible. Un agent qui extrait les revenus, vérifie le consentement, recherche des divergences et prépare la documentation de prêt se rapproche beaucoup d’un flux de décision réglementé. Même si un humain reste le décideur final, l’IA peut influencer ce que l’humain voit en premier.

Ce qui vient ensuite après le lancement de l’IA agentique de TD ?

TD a déjà indiqué que ce n’est que la première étape d’une transformation plus large du crédit garanti immobilier. La banque a cartographié le parcours RESL depuis la soumission du document jusqu’au financement et prévoit d’introduire l’IA agentique à d’autres étapes. Cela indique un futur où les agents IA ne seront pas des outils isolés, mais une infrastructure de flux de travail.

La prochaine phase inclura probablement une intégration plus profonde dans les portails clients, les canaux de courtiers, les systèmes internes de souscription, les outils de gestion documentaire et les plateformes de risque. Au lieu de simplement résumer les dossiers, les systèmes agentiques pourraient aider à identifier les documents manquants, recommander les meilleures actions suivantes, préparer des packages d’approbation conditionnelle et suivre les dossiers jusqu’à la clôture.

Au‑delà des hypothèques, d’autres banques traditionnelles sont susceptibles de suivre des schémas similaires. Les premiers cas d’usage les plus attractifs seront des domaines à fort volume de documents, règles de politique claires, temps de cycle mesurables et révision humaine déjà intégrée au processus. Le crédit commercial, les enquêtes de conformité, l’intégration client, les réclamations d’assurance et le soutien à la gestion de patrimoine correspondent tous à ce profil.

Investir dans les intégrations agentiques

Pour les investisseurs qui regardent au‑delà des banques individuelles, l’une des manières les plus directes de suivre cette tendance est de se tourner vers les fournisseurs de logiciels d’entreprise qui intègrent l’IA agentique aux flux de travail des services financiers. Un exemple notable est Oracle Corporation (ORCL ), qui a étendu sa plateforme Oracle Financial Services avec des capacités IA intégrées et des agents pré‑construits pour des cas d’usage de banque d’entreprise tels que la trésorerie, le financement du commerce, le crédit et le prêt.

Oracle ne vend pas simplement un chatbot à usage général aux banques. Son opportunité est davantage orientée infrastructure. Les grandes institutions financières dépendent déjà de piles logicielles complexes pour la banque de base, le risque, la conformité, les paiements, les dossiers clients et le traitement des transactions. À mesure que l’IA agentique passe de l’expérimentation à la production, les banques auront besoin de fournisseurs capables de connecter les agents IA aux flux de travail réglementés, aux données autorisées, aux pistes d’audit et aux contrôles d’entreprise.

Cela fait d’Oracle un bénéficiaire intéressant du même virage mis en évidence par le déploiement de TD dans le crédit garanti immobilier. TD montre comment les systèmes agentiques peuvent compresser les flux de travail de prêt lourds en documents. Oracle se positionne comme l’un des fournisseurs technologiques capables de fournir des capacités agentiques similaires à travers des opérations bancaires plus larges.

• Son activité services financiers lui donne une exposition aux banques, assureurs et firmes de marchés de capitaux qui sont sous pression pour moderniser les flux de travail hérités.
• Sa stratégie d’IA agentique est liée aux fonctions opérationnelles où les institutions financières dépensent déjà massivement, notamment le crédit, le prêt, la trésorerie et les processus adjacents à la conformité.
• Sa présence plus large dans le cloud et les bases de données peut l’aider à intégrer les agents IA dans les systèmes d’entreprise où les banques stockent et gouvernent déjà des données critiques.

Le cas d’investissement n’est pas sans risque. Les cycles de vente de technologies bancaires sont longs, les coûts d’implémentation peuvent être élevés, et les institutions réglementées sont peu susceptibles de transférer des flux de travail critiques à des systèmes autonomes sans validation approfondie. Oracle est également en concurrence avec Microsoft (MSFT ), Salesforce (CRM ), ServiceNow (NOW ), IBM (IBM ) et des fournisseurs fintech spécialisés, tous poursuivant l’automatisation des services financiers pilotée par l’IA de différentes manières.

Cependant, l’IA agentique pourrait renforcer la valeur à long terme des fournisseurs de logiciels d’entreprise proches des flux de travail financiers de base. Si les banques traitent de plus en plus les agents IA comme une infrastructure opérationnelle plutôt que comme des outils expérimentaux, les gagnants pourraient être les entreprises capables de combiner applications spécifiques au domaine, déploiement cloud sécurisé, gouvernance des données et automatisation des flux de travail.

Pour les investisseurs, Oracle offre un angle d’IA agentique plus clair que de nombreuses narratives purement IA parce que la thèse est liée à des cas d’usage bancaires mesurables: des flux de crédit plus rapides, une gestion documentaire plus automatisée, une capacité de service améliorée et une meilleure efficacité opérationnelle. À mesure que les banques traditionnelles suivent l’exemple de TD, les fournisseurs disposant de plateformes IA de services financiers crédibles pourraient devenir des fournisseurs de « picks‑and‑shovels » de plus en plus importants pour l’ère bancaire agentique.

Derniers développements d’Oracle (ORCL)

Conclusion pour les investisseurs : l’IA agentique devient une infrastructure bancaire

Pour les investisseurs, le point clé est que l’IA agentique ne doit pas être considérée uniquement comme une tendance logicielle. Dans la banque, elle devient un changement de modèle opérationnel. Les banques qui la déploient de manière responsable pourraient améliorer l’efficacité des coûts, raccourcir les délais de service, réduire les frictions opérationnelles et défendre les relations client face à des concurrents fintech plus agiles.

L’avantage concurrentiel ne viendra pas de l’utilisation du modèle le plus avancé isolément. Il découlera de la combinaison de données propriétaires, d’une gouvernance disciplinée, de l’intégration aux flux de travail, de l’adoption par les employés et de l’exécution orientée client. Les grandes banques disposent des données, de la distribution, de l’expérience réglementaire et du volume de processus nécessaires pour en bénéficier. Elles ont également la complexité qui rend l’implémentation difficile.

Le lancement de TD montre où le secteur se dirige. L’IA agentique débute dans le back‑office, près des documents et des flux de travail. À partir de là, elle devrait s’étendre vers l’expérience client, les opérations de crédit, la conformité et le soutien conseil. Les banques qui réussiront ne se contenteront pas d’automatiser les anciens processus. Elles repenseront la façon dont les décisions financières passent de la demande à l’approbation.