Measuring agentic artificial intelligence intensity in banking: a validated disclosure-based index and identification strategy for estimating effects on bank performance and systemic risk

Dans le monde de la banque, l'intelligence artificielle est depuis longtemps un assistant utile. Pendant des années, ces systèmes ont agi comme des scribes numériques, rédigeant des rapports, résumant des données ou suggérant la prochaine étape optimale pour qu'un gestionnaire humain l'examine. L'humain reste fermement aux commandes, détenant les clés de chaque décision finale. Cependant, un changement significatif est en cours. Les banques commencent à déployer un nouveau type d'intelligence, qui ne se contente pas de suggérer, mais agit. Ce sont des systèmes agentiques, capables de planifier des flux de travail financiers complexes et d'exécuter des transactions avec une autorité déléguée. Une fois qu'un tel système reçoit le feu vert pour agir, il peut déplacer de l'argent, approuver des prêts ou régler des dettes sans attendre qu'un humain valide chaque mouvement. Cette transition du conseil à l'action modifie la nature fondamentale du risque et de l'efficacité dans la finance, pourtant, pour les chercheurs et les régulateurs, un problème critique est resté non résolu : comment le mesurer ?

Jusqu'à présent, il n'existait aucun moyen fiable de distinguer une banque qui se contente de parler d'intelligence artificielle d'une banque qui a réellement confié les rênes de ses opérations à des machines autonomes. Les méthodes existantes traitent souvent toutes les mentions de technologie de la même manière, ne parvenant pas à voir la différence entre un chatbot qui répond aux questions des clients et un agent logiciel qui libère indépendamment un paiement. Sans outil de mesure clair, il est impossible de savoir si ces nouveaux systèmes rendent les banques plus efficaces, plus risquées, ou les deux. Une équipe de chercheurs de la Dayananda Sagar University en Inde a comblé cette lacune en créant un nouvel outil rigoureusement testé appelé l'Agentic AI Intensity Index (Indice d'intensité de l'IA agentique). Plutôt que de simplement compter la fréquence à laquelle une banque mentionne la technologie, cet indice mesure l'étendue spécifique de la délégation de pouvoir de prendre et d'exécuter des décisions financières conséquentes à des systèmes autonomes.

Les chercheurs n'ont pas seulement inventé un nouveau score ; ils ont construit un protocole scientifique complet pour garantir que le score soit réel et fiable. Ils ont commencé par rassembler des milliers de pages de documents publics provenant des banques, notamment des rapports annuels, des documents réglementaires et des transcriptions d'appels sur les résultats où les dirigeants s'adressent aux investisseurs. À partir de ces textes, ils ont développé une méthode pour identifier les phrases décrivant une délégation de pouvoir réelle. Ils ont distingué le langage décrivant un système attendant l'approbation humaine du langage décrivant un système agissant de son propre chef dans un mandat défini. Pour s'assurer de l'exactitude de cette distinction, ils ont réuni un panel d'experts, comprenant des chercheurs universitques, des responsables technologiques bancaires et des superviseurs de banques centrales. Ces experts ont affiné une liste de mots-clés et de phrases au cours de deux cycles de discussion, s'accordant sur les termes qui signalaient véritablement une action autonome et ceux qui n'étaient que du discours promotionnel superficiel.

Une fois la liste des mots-clés finalisée, l'équipe a testé sa méthode pour s'assurer qu'elle fonctionnait de manière cohérente. Plusieurs codeurs formés ont lu le même ensemble de phrases pour voir s'ils tombaient d'accord sur le fait qu'un système était véritablement autonome. Ils ont également utilisé des modèles informatiques avancés pour aider à trier la masse de texte, mais avec une sauvegarde cruciale : chaque fois que l'ordinateur identifiait une action autonome de haut niveau, un expert humain examinait la classification pour la confirmer. Cette approche de l'humain dans la boucle a empêché le système d'être trompé par un langage vague ou trompeur. Les chercheurs ont ensuite vérifié si leur nouvel indice mesurait bien ce qu'il prétendait mesurer en le comparant à des preuves indépendantes, telles que des offres d'emploi pour des types spécifiques d'ingénieurs, des dépôts de brevets pour des systèmes autonomes et des cas connus où des banques avaient déployé ces technologies. Les résultats ont montré que l'indice séparait avec succès les banques dotées de véritables capacités autonomes de celles qui discutaient simplement d'une transformation numérique générale.

Le cœur de ce travail est l'indice lui-même, qui attribue un score à chaque banque en fonction de l'intensité de son adoption de l'IA agentique. Le score n'est pas seulement un décompte brut de mots ; il est pondéré par le niveau d'autorité accordé par la banque à ses machines. Un système qui exécute un paiement dans une limite prédéfinie reçoit un score plus élevé qu'un système qui se contente de rédiger une recommandation pour examen par un humain. Les chercheurs ont également normalisé les données pour tenir compte du fait que certaines banques écrivent beaucoup plus sur la technologie que d'autres, garantissant qu'un score élevé reflète une véritable délégation de pouvoir plutôt qu'un simple surplus de paroles. Cela permet une comparaison équitable entre une grande banque mondiale et une institution régionale plus petite. L'indice est conçu pour être utilisé dans de futures études afin de répondre à des questions pressantes : confier le pouvoir de décision aux machines rend-il les banques plus efficaces, ou introduit-il de nouveaux risques imprévisibles ? Cela aide-t-il les banques à détecter la fraude plus rapidement, ou crée-t-il de nouvelles vulnérabilités ?

L'article ne fournit pas les réponses finales à ces questions de performance, car il s'agit d'une étude méthodologique axée sur la construction de la règle de mesure plutôt que sur l'utilisation de celle-ci pour mesurer un résultat spécifique. Au lieu de cela, il expose une stratégie claire et reproductible pour que d'autres chercheurs et régulateurs puissent l'utiliser. Il précise exactement comment construire l'indice, comment le valider et comment l'utiliser dans des modèles statistiques pour isoler les effets de l'IA autonome d'autres facteurs tels que la taille de la banque ou les conditions économiques. Les chercheurs reconnaissent que la transition vers l'IA agentique est complexe et que les bénéfices et les risques dépendront probablement fortement de la manière dont la banque gouverne ces systèmes. Ils proposent que l'impact de ces technologies variera en fonction de la qualité de la supervision interne de la banque, de la maturité de sa technologie et de la rigueur des réglementations sous lesquelles elle opère.

En fournissant un outil validé, ce travail lève un obstacle majeur à la compréhension de l'avenir de la banque. Il permet à la communauté financière de dépasser les affirmations vagues sur la « transformation numérique » et de commencer à mesurer le passage spécifique et tangible vers l'autonomie des machines. Les chercheurs ont démontré qu'il est possible de séparer le signal de la véritable action agentique du bruit de la discussion technologique générale. Cette clarté est essentielle pour les superviseurs qui doivent comprendre les risques de paiements automatisés irréversibles et pour les investisseurs qui tentent de jauger les capacités réelles des institutions qu'ils financent. L'étude conclut que, bien que la technologie progresse rapidement, la capacité de mesurer son adoption avec précision est désormais à portée de main, à condition que les chercheurs et les régulateurs respectent les étapes de validation rigoureuses décrites dans le nouveau protocole. Cette fondation prépare le terrain pour une nouvelle ère d'analyse fondée sur des preuves dans le secteur bancaire, où les effets des systèmes autonomes peuvent être étudiés avec la même rigueur que toute autre innovation financière.