Les agents sollicitent les humains : utiliser des agents pour le travail financier de longue durée
Arca, une société de gestion de patrimoine qui se présente comme « native de l'IA », confie l'essentiel du travail de fond à des agents, mais réserve la décision finale à des conseillers humains. Aman Singh, ingénieur IA principal de l'entreprise, a détaillé cette approche lors de la conférence AI Engineer New York, puis dans un podcast. Sa formule résume la philosophie maison : « les agents sollicitent les humains plus que les humains ne sollicitent les agents ». Arca vient de lever 48,5 millions de dollars lors d'un tour mené par General Catalyst, avec la participation d'Index Ventures et de Venrock. Les tâches confiées aux agents peuvent s'étendre sur dix jours, avec de nombreux acteurs, points de décision et passages de relais. Pour y faire face, l'entreprise a développé un système de mémoire interne qui conserve, pour chaque client, l'historique, les actions à mener dans les prochains jours, les suivis de long terme et la personne responsable de chaque action. Arca s'appuie sur des modèles d'Anthropic et d'OpenAI, Claude étant son fournisseur principal, et utilise son propre harnais qui choisit automatiquement le meilleur modèle selon des benchmarks internes.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de Latent Space. Lire l'article original →
L'enjeu est considérable dans un secteur où une erreur peut coûter cher au client. Le rôle des agents se limite à l'analyse et à la formulation de propositions : les transactions et tout mouvement d'argent restent entre les mains d'un conseiller humain. Selon Singh, toutes les restrictions de sécurité sont entièrement déterministes et retirent la décision des mains de l'agent. Les agents peuvent exécuter seuls certains outils, mais jamais ceux qui font courir un risque au client. Arca effectue aussi des vérifications contre les failles connues, comme les injections de prompt. Pour les calculs, l'agent recourt à des bacs à sable. Une couche dédiée traduit le code écrit par l'agent vers un format strict, jette ce code, puis applique des garde-fous à ce format avant qu'il n'atteigne les systèmes internes. Les agents peuvent ainsi agréger et manipuler les données pour produire un plan financier, sans accès direct et non contrôlé aux informations sensibles.
Cette architecture illustre une voie intermédiaire entre l'automatisation intégrale et le simple outil d'assistance. Le travail financier de long terme suppose des relais entre machines et humains, une traçabilité et une conformité intégrées dès la conception, ce que la mémoire persistante et les contrôles déterministes visent à garantir. Posséder son harnais, plutôt que recourir à une solution gérée, laisse aussi à Arca la liberté de changer de fournisseur de modèles si nécessaire.
Le contexte est celui d'une course entre sociétés conçues autour de l'IA et acteurs traditionnels qui ajoutent des outils à des processus existants. Arca pousse la logique plus loin en améliorant continuellement son système : les retours des conseillers humains et les traces d'exécution des agents sont analysés par un « méta-agent », chargé de proposer des modifications du harnais. L'ampleur du financement témoigne de l'appétit des investisseurs pour ce modèle, où l'IA structure le travail et où l'humain garde la responsabilité des décisions à risque. La suite dira si cette répartition des rôles s'imposera comme référence dans la gestion de patrimoine.
Pas d'impact direct sur la France/UE