Capital One a construit sa plateforme d'IA multi-agents autour de modèles à poids ouverts
Lors de la conférence VB Transform 2026, Kel Vanee, MVP en ingénierie du machine learning chez Capital One, a détaillé auprès de Sam Witteveen, contributeur technologique senior chez VentureBeat, l'architecture d'intelligence artificielle multi-agents que la banque américaine a bâtie autour de modèles open-weight profondément personnalisés, plutôt que de s'appuyer sur un modèle de fondation standard. "Chez Capital One, nous ne faisons pas qu'utiliser l'IA, nous la construisons", a déclaré Vanee. Cette approche s'appuie sur des investissements amorcés des années plus tôt dans la transformation des données et l'adoption du cloud, qui ont permis à l'entreprise de réagir rapidement à l'arrivée de la vague actuelle d'IA générative. Concrètement, Capital One a fait trois choix architecturaux: une plateforme d'IA centralisée à l'échelle de l'entreprise dotée d'une gouvernance intégrée, une personnalisation poussée de modèles ouverts avec ses données propriétaires, et un système d'orchestration multi-agents développé en interne, baptisé MACAW. Cette architecture alimente notamment un service client dédié à la fraude bancaire, qui traite des millions d'appels par an d'une durée de quatre à soixante minutes, ainsi que Chat Concierge, un assistant d'achat automobile pour les clients, construit sur une version personnalisée du modèle Llama de Meta.
Résumé et traduction réalisés par Le Fil IA à partir de VentureBeat AI. Lire l'article original →
Ce choix tranche avec la pratique dominante du secteur bancaire, qui consiste généralement à consommer des modèles de fondation propriétaires via API. En personnalisant des modèles ouverts avec ses propres données, un "avantage énorme que personne d'autre ne possède" selon Vanee, la banque dit obtenir des résultats que les modèles frontière génériques ne peuvent reproduire, notamment en intégrant du contexte en temps réel lors des échanges avec les clients ou les employés. Vanee relève un effet inattendu: entraîner un modèle à devenir expert des cas d'usage, des politiques et du vocabulaire de Capital One génère des gains de performance qui se propagent à l'ensemble du portefeuille de produits, au-delà du cas d'usage initial. Sur le terrain, MACAW enchaîne un agent de compréhension qui cerne l'intention du client, un agent de raisonnement qui rédige un résumé, un agent de validation qui vérifie les faits, puis un agent d'explication qui met en forme un document final. Ce dispositif assiste déjà plusieurs centaines de conseillers spécialisés dans les appels de fraude complexes, en générant automatiquement des résumés que les employés devaient auparavant reconstituer manuellement.
Le recours à un seul grand modèle de langage s'était révélé insuffisant face à la complexité et à la longueur de ces appels, ce qui a conduit Capital One à répartir le travail entre agents spécialisés, chacun encadré par ses propres garde-fous. La même logique structure Chat Concierge, où un agent dialogue avec le client, un second élabore un plan d'action fondé sur les règles métier, un troisième évalue l'exactitude des réponses et un dernier explique et valide le résultat final. Au-delà des usages orientés client, Capital One étend cette approche à l'automatisation de tâches internes répétitives, avec par exemple un système autonome destiné à optimiser l'infrastructure d'hébergement backend de l'entreprise. Cette stratégie illustre une tendance plus large dans la finance: plutôt que de dépendre entièrement de fournisseurs de modèles frontière comme OpenAI, Anthropic ou Google, certaines institutions cherchent à internaliser une partie de la chaîne de valeur de l'IA générative afin de mieux maîtriser leurs coûts, leur gouvernance et la confidentialité de leurs données, tout en s'appuyant sur l'écosystème des modèles ouverts comme Llama.
Pas d'impact direct sur la France/UE