L’avenir de l’IA dans la finance : un cadre pour orchestrer un écosystème agentique

Pendant des décennies, le secteur des services financiers a cherché à optimiser l’accès aux données. Mais cet accès n’a jamais été l’objectif. Il constituait un frein au véritable but recherché : permettre une action intelligente.

Le secteur a suivi une évolution claire : acquérir les données, les centraliser, puis les rendre exploitables grâce à l’analytique et à l’IA. Chaque étape a réduit les frictions, non comme une fin en soi, mais pour permettre des décisions plus rapides et plus pertinentes.

L’enjeu n’est pas de remplacer le jugement humain, mais de mieux le mobiliser. En éliminant les tâches non différenciantes, comme la collecte, le rapprochement et la préparation des données, nous libérons du temps et de l’attention pour ce qui produit des résultats : des décisions plus rapides, prises avec davantage de conviction.

Ce même principe doit s’appliquer aux systèmes eux-mêmes. Les plateformes d’IA ne doivent pas ajouter de complexité. Elles doivent s’effacer et offrir un environnement fluide sur lequel construire et dans lequel travailler. L’alpha n’est jamais garanti. Mais lorsque l’effort humain et la conception des systèmes privilégient la simplicité, les conditions nécessaires pour le générer s’améliorent considérablement.

Nous entrons désormais dans une nouvelle phase, où l’objectif n’est plus seulement de comprendre les données, mais d’agir à partir d’elles. Nous passons de l’information exploitable à l’exécution, de la compréhension à l’action. Bienvenue dans l’ère agentique.

Le poids historique des données financières

Historiquement, les résultats financiers stratégiques reposaient sur l’intégration manuelle des données internes des institutions et des informations de marché tierces. Avant 2015, à l’ère des frictions, la distribution de données était archaïque. Les transferts SFTP déclenchaient des pipelines d’ingestion massifs et complexes, coûteux à construire et difficiles à maintenir.

La « taxe sur les données » pesait en permanence sur le bilan, retardant et limitant la capacité à agir à partir des informations disponibles. Les équipes devaient consacrer du temps à assembler, transformer et rapprocher les données avant même de pouvoir commencer à prendre des décisions.

Le changement de paradigme s’est produit lorsque le centre de gravité s’est déplacé vers le cloud. Snowflake a redéfini la gestion des données et leur accès en remplaçant ces pipelines hérités par un Data Sharing direct de données actualisées.

La suppression des processus ETL n’a pas seulement transformé la circulation des données. Elle a aussi changé la façon de travailler. Les données internes et les données tierces peuvent désormais coexister dans un même environnement. L’ingénierie, l’analytique et le machine learning s’appuient ainsi directement sur une fondation commune.

Cette convergence n’a pas seulement réduit les frictions. Elle a standardisé la conception des workflows financiers. Dans la gestion d’actifs, la banque et l’assurance, les workflows stratégiques suivent un schéma commun : associer le contexte interne propriétaire aux signaux externes du marché pour guider les décisions.

Cette consolidation n’était pas qu’une simple commodité technique ; elle constituait le préalable indispensable à l’ère agentique. Elle a créé un environnement ultraréactif où le contexte est déjà disponible au point d’exécution, au lieu de devoir être assemblé à la demande.

Nous sommes passés d’une architecture où les humains devaient combler manuellement l’écart entre données internes et données tierces à une architecture où cette intégration est native, permettant ainsi aux workflows agentiques de s’exécuter directement sur cette base.

Snowflake pose les fondations de cette évolution en réunissant les données, les contrôles de gouvernance et le calcul dans un environnement unique. Ces éléments étant désormais réunis, l’exécution n’est plus freinée par le déplacement ou le rapprochement des données. Un processus autrefois fragmenté et manuel devient une capacité continue, pilotée par le système.

De « prêtes pour l’IA » à « activées par les agents »

Ces 24 derniers mois, le secteur s’est attaché à préparer les données pour l’IA, principalement en permettant de les interroger en langage naturel dans des jeux de données structurées.

Aussi utiles soient-elles, même les données prêtes pour l’IA ne sont qu’une matière première, pas le livrable final. Une conversation peut fournir rapidement une information, mais elle ne règle pas une transaction, ne rééquilibre pas un portefeuille et ne traite pas un sinistre complexe. Les données ne produisent leur pleine valeur que lorsqu’elles ne servent plus seulement de support à une conversation, mais alimentent un workflow plus vaste et composé de plusieurs étapes afin d’obtenir un résultat autonome précis.

Nous dépassons la phase « Rechercher et synthétiser » de l’IA pour entrer dans celle de l’« Orchestration et exécution ». Les données ne sont plus simplement lisibles, elles deviennent activées par les agents.

L’architecture de l’orchestration : un cadre pour orchestrer l’écosystème agentique

L’unification de l’accès aux données a fait de Snowflake l’environnement naturel de ces workflows. Elle en fait aujourd’hui l’environnement idéal pour leur exécution par des agents.

Les workflows financiers reposent fondamentalement sur l’association des données internes et des données tierces. Dans un périmètre de gouvernance unique, Snowflake réunit ces données et les composants fondamentaux nécessaires pour agir à partir d’elles.

Avec Cortex Analyst et Cortex Search, nous proposons une recherche de pointe dans les données structurées et non structurées. Les agents accèdent ainsi en temps réel à tout le contexte d’un problème. Ces capacités s’appuient sur des produits de données prêts pour l’IA issus de notre écosystème, proposés sous la forme de Shared Semantic Views et de Cortex Knowledge Extensions. Les informations propriétaires comme externes deviennent ainsi immédiatement exploitables.

Sur cette base, Cortex Agents et CoCo permettent de créer et d’exécuter les workflows là où réside déjà le contexte.

C’est une évolution stratégique : les agents n’assemblent plus le contexte provenant de plusieurs systèmes, ils opèrent directement sur celui-ci.

Le résultat : un environnement qui unifie données, contexte et exécution. Les entreprises peuvent créer des agents capables d’exploiter les données internes et les données tierces sans aucun déplacement de données ni aucune fuite de propriété intellectuelle, avec des capacités de gouvernance et une traçabilité et une évaluation complètes.

Dans cette approche, les agents n’ont pas besoin d’« aller chercher » les données ou les outils. Ils sont conçus là où résident déjà les données, avec les composants fondamentaux nécessaires pour rechercher, raisonner et agir.

Voilà pourquoi Snowflake constitue un environnement naturel pour les workflows agentiques dans les services financiers.

L’architecture de l’écosystème d’agents

À propos de MCP

Nous prenons en charge des standards comme MCP grâce à notre serveur MCP hébergé sur Snowflake, mais nous le considérons comme l’une des différentes approches permettant aux agents d’accéder aux données.

MCP convient particulièrement aux environnements où les données doivent rester distribuées, même si cette distribution découle souvent de contraintes historiques plutôt que d’une nécessité actuelle.

Les progrès de l’automatisation, du développement assisté par l’IA et des formats de tables ouverts ont considérablement simplifié l’unification de l’accès aux données. Il est désormais possible d’éviter les frais opérationnels du passé comme la dépendance vis-à-vis d’un prestataire, grâce à des standards réellement ouverts et interopérables.

Les organisations disposent donc d’une plus grande marge de manœuvre pour réduire la fragmentation à la source, plutôt que de la contourner.

Notre point de vue est simple : lorsque l’unification est possible, la meilleure approche consiste à réunir les données, les capacités d’IA, la gouvernance et les composants fondamentaux des agents dans un environnement unique et cohérent. On obtient ainsi une fondation directe, performante et gouvernable pour créer et exploiter des agents. Lorsque ce n’est pas possible, MCP constitue une passerelle précieuse entre les systèmes.

Compte tenu du rôle central des données, de l’IA et de la gouvernance dans cette approche, Snowflake offre une fondation naturelle pour cette unification.

Dans cette optique, MCP doit être considéré comme une exception, et non comme l’approche par défaut.

L’exécution en conditions réelles : L’analyste moderne

Prenons l’exemple d’une société mondiale de gestion d’actifs dont un analyste couvre le secteur biopharmaceutique. Traditionnellement, cet analyste passe ses journées à rechercher manuellement les signaux nécessaires pour agir. Lorsqu’une actualité tombe, le travail de recherche est fastidieux : l’analyste consulte la thèse d’investissement interne de l’entreprise, constituée de données internes non structurées, vérifie les positions et la performance actuelles à partir de données internes structurées, puis effectue une « analyse par transparence » pour évaluer l’exposition totale aux ETF et aux titres en combinant données internes et données tierces.

Dans l’environnement d’agents de l’écosystème, l’ensemble de ce processus est orchestré par un Cortex Agent. Le processus n’est plus réactif, mais continu. Ce qui était auparavant une série de tâches manuelles et ponctuelles devient un workflow continu, piloté par le système. L’agent surveille en permanence les données de l’écosystème pour détecter des signaux, croise les données internes et externes, puis alerte l’analyste. Il ne se contente pas d’un résumé : il propose des notes de recherche aux scénarios restrictif, accommodant et neutre, accompagnées de tout le contexte nécessaire.

C’est cette évolution stratégique qui génère l’alpha opérationnel : elle réduit le travail manuel non différenciant et maximise la capacité de l’analyste à se consacrer à des activités plus pointues et différenciantes.

Donner aux équipes les moyens d’agir

L’écart entre une « démo d’IA intéressante » et un « workflow agentique en production » tient rarement au modèle. Il tient à l’architecture de données sous-jacente.

L’époque où vous dialoguiez simplement avec vos données est révolue. L’ère de l’orchestration a commencé. L’architecture conçue pour la soutenir, c’est Snowflake et son environnement d’agents de l’écosystème.

En choisissant une fondation qui privilégie la souveraineté et la capacité à faire évoluer les systèmes plutôt que la connectivité à court terme, nous veillons à ce que la prochaine génération de systèmes agentiques ne se contente pas de fonctionner : elle exécute les tâches avec rapidité, contrôle et précision.

Vous voulez en savoir plus ? Retrouvez-nous au Snowflake Summit et assistez à ma session Le guide Snowflake de l’IA, des applications et des données pour les services financiers.