Frameworks multiagents pour l’intelligence documentaire financière
Les services financiers reposent sur des documents : dossiers de prêt, dossiers « KYC », lettres de mandat et attestations de conformité. L’IA agentique modifie la rentabilité du tri manuel, mais à condition que la couche de données puisse prendre en charge l’ingestion, l’extraction et le rapprochement multiagents à grande échelle.
L’architecture de référence pour l’intelligence documentaire utilise un système multiagent superviseur construit sur une seule couche de données MongoDB :
- Agent de numérisation : identifie et analyse les documents d’entreprise entrants pertinents.
- Agent d’évaluation : évalue les actifs en fonction de leur pertinence contextuelle par rapport au cas d’utilisation métier.
- Agent extracteur : extrait le contenu ciblé et le prépare pour le chunking automatisé.
- Agent de traitement : génère des embeddings à l’aide du modèle voyage-context-3 afin de prendre en compte à la fois le contexte local et global du document pour une plus grande précision de recherche.
- Agent d’assistance documentaire : traite la RAG agentique en aval, en décidant quand et comment récupérer le contexte en fonction des requêtes utilisateur.
La mémoire de l’agent est l’élément qui accomplit discrètement la majeure partie du travail. Chaque agent mémorise les interactions antérieures et apprend des corrections apportées au fil du temps. Cette mémoire doit être conservée dans un environnement pérenne, assorti de contrôles d’accès stricts et de pistes d’audit conformes aux exigences de la gouvernance des services financiers.
Libérer la puissance agentique pour moderniser les systèmes de paiement mondiaux
Les systèmes de paiement constituent le segment de l’infrastructure financière où la modernisation est la plus complexe et où les conséquences d’une défaillance sont les plus lourdes. Les systèmes d’échanges interbancaires qui acheminent les fonds ont chacun été conçus à des époques différentes : SWIFT utilise le format ISO 20022 XML, ACH repose sur des fichiers à largeur fixe, les réseaux de cartes utilisent la norme ISO 8583 et les cryptomonnaies s’appuient sur le format JSON. La plupart des banques interconnectent ces systèmes via des intégrations point à point et pallient les lacunes par une gestion manuelle des exceptions. À eux seuls, les échecs de paiement coûtent plus de 100 milliards de dollars par an à l’économie mondiale. Il en résulte des délais de mise sur le marché trop longs, des coûts de possession élevés et des risques de non-conformité persistants.
La solution ne consiste pas à remplacer ces systèmes d’échange, mais à centraliser toutes les données qu’ils génèrent au sein d’un modèle de paiement unique et standard : les données métier (telles que les instructions et les parties concernées), les données opérationnelles et d’IA (comme les tâches de traitement et les embeddings vectoriels), ainsi que les données de configuration (comme les itinéraires et les règles de transformation). En plus de ce modèle, un moteur d’automatisation avec IA/ML, des règles et une piste d’audit intégrée peut enfin accomplir des tâches à forte valeur : routage, rapprochement, tri des cas de fraude, résolution des exceptions et communication avec les clients.
Résultat : une mise sur le marché plus rapide, un coût de possession réduit et une conformité traitée comme une propriété des données plutôt que comme une course contre la montre trimestrielle. Ce qui change, c’est ce que la banque est en mesure de proposer.
Systèmes multi-agents pour la gestion des perturbations de la chaîne d’approvisionnement
Les perturbations de la chaîne d’approvisionnement représentent le problème multiagent par excellence. Un aléa météorologique dans un port, un mouvement social dans un autre, un problème de qualité chez un fournisseur de deuxième rang et un pic de demande sur un marché clé, autant d’événements qui interagissent entre eux. Aucune équipe humaine ne peut à elle seule appréhender la situation dans sa globalité en temps réel, et aucun agent individuel ne le peut non plus. Les conséquences d’une erreur d’appréciation sont bien réelles : on estime que les perturbations de la chaîne d’approvisionnement coûtent chaque année 184 milliards de dollars aux entreprises.
Dans la pratique, le travail se répartit entre différents rôles spécialisés : l’analyse des perturbations surveille les incidents à mesure qu’ils se produisent ; la planification de la chaîne d’approvisionnement modélise les répercussions en aval et propose des mesures d’atténuation ; l’analyse des risques évalue l’exposition au risque et met en évidence les points nécessitant une remontée hiérarchique. LangGraph (un framework d’orchestration pour les workflows multiagents) assure la coordination entre ces différentes fonctions, mais la vision commune que les agents ont du monde réside dans la couche de données sous-jacente : un référentiel unique où sont regroupés les expéditions, les données météorologiques, les transporteurs, les centres de flotte et les rapports d’incident intégrés.
Ce que MongoDB Atlas apporte va bien au-delà du simple stockage. Les données météorologiques sont diffusées sous forme de time series, tandis que les expéditions et les entrepôts sont associés à des coordonnées exploitables par des requêtes géospatiales. Les rapports d’incidents historiques sont intégrés à Voyage AI, permettant à la recherche vectorielle de faire remonter les informations pertinentes sur les perturbations passées dont les agents ont besoin. Enfin, les points de contrôle mémoire générés par LangGraph entre les étapes de traitement des agents sont conservés dans ce même espace de stockage ; c’est ce qui permet à l’historique post-mortem de se constituer sous forme d’enregistrement structuré, plutôt que de s’éparpiller dans un fil de discussion Slack.
Le parcours de prêt numérique moderne de bout en bout propulsé par MongoDB et l’IA agentique
L’octroi de prêts représente le workflow financier par excellence pour lequel une automatisation de bout en bout est attendue depuis deux décennies. Pourtant, les résultats se sont limités à une automatisation partielle, fragmentée en de nombreux silos. Les raisons en sont bien connues : les données sont réparties entre une dizaine de systèmes, les étapes de conformité exigent une intervention humaine à plusieurs niveaux, et l’expérience client pâtit du système responsable du maillon le plus défaillant de la chaîne de transmission.
L’IA agentique déplace le goulot d’étranglement. Un parcours de prêt moderne peut être conçu comme un ensemble coordonné d’agents gérant l’intégralité du cycle de vie, de la création au renouvellement. Un agent chargé de la demande de prêt sert de point d’entrée intelligent : il guide les emprunteurs, valide et enrichit les données en temps réel, et extrait des informations pertinentes des documents pour constituer un profil de crédit prêt pour la décision. Un agent d’analyse des risques combine règles métier, modèles de machine learning et données alternatives pour évaluer la solvabilité en continu, tout en orientant les cas exceptionnels ou à haut risque vers un analyste humain pour validation finale. Un agent de renouvellement surveille le cycle de vie post-financement ; il anticipe les besoins de refinancement, les difficultés financières et les risques d’attrition, déclenchant ainsi des offres personnalisées ou des interventions précoces. Chaque agent a un périmètre défini et est observable ; tous partagent une vision unifiée de la demande en tant qu’objet métier. Le client bénéficie d’une expérience cohérente et le prêteur dispose d’une piste d’audit.
L’architecture est essentielle, car l’octroi de prêts est une activité qui requiert un haut niveau de discernement. La couche de données détermine les domaines dans lesquels l’automatisation peut être mise en œuvre en toute sécurité, ceux où un examen humain est nécessaire et, en fin de compte, ce qui fait la différence entre un processus qui ne prend que quelques minutes et un autre qui s’étale sur plusieurs semaines. Ce modèle s’applique au-delà du secteur du crédit à tout processus financier impliquant un volume important de documents et devant trouver le juste équilibre entre rapidité et contrôle réglementaire.
Le test de portabilité : se protéger contre les pannes affectant un seul fournisseur de cloud
Dès lors que les systèmes d’action commencent à gérer des charges de travail réelles, la portabilité devient une exigence fondamentale, et non une considération secondaire. Les systèmes agentiques d’entreprise restent rarement confinés à un seul environnement ; ils s’étendent sur plusieurs clouds, régions géographiques et modèles de calcul. Si votre magasin de données opérationnelles, votre moteur de recherche vectorielle et la mémoire des agents doivent être déplacés séparément, la pile technologique se fragmente à nouveau.
Les contraintes de capacité des hyperscalers et les obligations réglementaires en matière de résidence des données imposent fréquemment des modèles multicloud. Par exemple, une entreprise développant des modèles de pointe qui viendrait à manquer de capacité GPU sur un cloud donné pourrait transférer une partie de sa charge de travail vers Google Cloud pour exploiter des TPU, répartissant ainsi sa couche de données entre les deux plateformes par nécessité physique.
Un cluster MongoDB Atlas unique peut s’étendre simultanément sur AWS, Google Cloud et Microsoft Azure. Le même moteur de base de données fonctionne sur site grâce à MongoDB Enterprise Advanced pour les déploiements air gap ou souverain. Cela protège contre le type d’erreur le plus coûteux dans le cloud : concevoir une architecture qui fonctionne chez un fournisseur mais s’effondre totalement lorsque l’entreprise en ajoute un autre, en change ou répartit ses activités entre plusieurs. Cette différence s’est concrétisée lors de trois pannes survenues en 2025 : celle de Google Cloud en juin, celle d’AWS US-EAST-1 le 20 octobre et celle d’Azure Front Door neuf jours plus tard. Chacune a paralysé les clients qui misaient sur un fournisseur unique, alors que les clients dont la couche de données était répartie sur plusieurs fournisseurs ont pu y survivre.
Le registre des mandats pour le commerce agentique
Le commerce agentique représente le prochain grand tournant pour les opérations numériques, où les clients délèguent directement leurs décisions d’achat à des agents d’achat autonomes. Trois protocoles techniques émergents façonnent cette interaction : la communication d’agent à agent (A2A), le protocole de paiement par agent (AP2) et le protocole de commerce universel (UCP).
Chaque protocole nécessite un registre de mandats inviolable pour consigner les autorisations des clients, le comportement des agents et les réponses des commerçants. L’AP2 définit explicitement trois types de mandats : les mandats d’intention (actions autorisées), les mandats de panier (articles achetés) et les mandats de paiement (paramètres de transfert de fonds). Le référentiel de données sous-jacent doit permettre uniquement l’ajout de données au niveau de la couche applicative, offrir des capacités d’interrogation selon des dimensions structurées ou sémantiques, et faire preuve d’une flexibilité suffisante pour intégrer de nouveaux champs de documents à mesure que les protocoles évoluent.
Qu’est-ce qui survivra à l’agent ?
Au début de la période considérée, deux équipes ont lancé le même projet d’IA le même jour. À la fin du trimestre, l’une d’elles avait mis sa solution en production. L’autre disposait d’une superbe démonstration, mais d’aucune voie vers une mise en service réelle. C’est un scénario désormais familier : l’agent fonctionne, les présentations impressionnent et le modèle se comporte correctement juste assez longtemps pour convaincre l’auditoire. Puis arrivent les vraies questions. À qui appartiennent les données ? La réponse peut-elle être auditée ? Que se passe-t-il lorsque le client attend, que le régulateur surveille la situation et que le système doit agir ?
Au fil de ces pages, la réponse est restée la même. McKesson n’a pas assuré la sécurité des patients grâce à un simple prompt ingénieux. LG U+ n’a pas amélioré son service client en direct en maintenant une séparation entre l’intelligence et les opérations. Les institutions financières, les industriels, les détaillants et les entreprises du secteur de la construction présentés dans ce numéro n’attendent pas le modèle parfait. Ils entreprennent une démarche plus discrète et plus pérenne : bâtir la couche qui permet à l’intelligence d’atteindre un niveau de fiabilité suffisant pour être exploitée.
Pas le spectacle de l’agent, mais le fondement qui le sous-tend. La mémoire qui perdure. Les autorisations qui succèdent à l’action. La vérité opérationnelle qui survient en temps utile. La piste d’audit qui atteste, a posteriori, de ce qui s’est passé.
Les modèles seront remplacés. Les frameworks seront renommés. Les protocoles vont évoluer.
Les architectures gagnantes seront celles qui absorberont tous ces changements sans demander à l’entreprise de repartir de zéro.
L’ère agentique ne reposera pas uniquement sur les agents eux-mêmes. Elle s’appuiera sur la couche de données qui permet de leur faire confiance en toute sécurité.
