Le mois dernier, Ramit Sawhney, Global Head of Core AI & ML chez Tower, a rejoint d’autres leaders du secteur lors de la conférence 2026 AI and Future of Finance Conference organisée par le Scheller College of Business de Georgia Tech.

Ramit a participé au panel intitulé “Hedge Fund Perspectives on Implementing AI in Capital Markets” aux côtés de représentants de Balyasny, Millennium et Schonfeld. Cette discussion faisait partie d’un programme plus large consacré à l’évolution du rôle de l’intelligence artificielle dans les services financiers et, plus précisément, aux conditions nécessaires pour faire passer l’IA du stade expérimental à une mise en production à grande échelle.

Pour de nombreuses entreprises des marchés financiers, la discussion autour de l’IA a évolué. La question n’est plus simplement de savoir si l’IA peut créer de la valeur, mais plutôt comment les entreprises peuvent l’appliquer de manière responsable, sécurisée, efficace et à grande échelle. Alors que les organisations dépassent les simples preuves de concept et commencent à explorer des agents IA plus avancés et des systèmes structurés, Ramit a souligné que le succès dépend autant de l’architecture entourant l’IA que des modèles eux-mêmes.

Cela implique de construire des systèmes reposant sur des bases solides : une gouvernance robuste, des pratiques de développement standardisées, des contrôles de coûts clairs, une sécurité renforcée et une approche disciplinée pour identifier les domaines où l’IA peut créer une valeur stratégique.

Des outils isolés vers des systèmes structurés

L’un des thèmes clés abordés par Ramit concernait le passage d’outils IA isolés ou de simples chatbots vers des environnements IA plus intégrés et structurés.

Concrètement, cela signifie concevoir des systèmes d’IA capables de fonctionner avec l’ensemble du contexte des données, des flux de travail et des exigences opérationnelles d’une organisation. Plutôt que de s’appuyer uniquement sur des documents statiques ou sur une récupération d’information limitée, les entreprises explorent de plus en plus des bases de connaissances évolutives et des graphes de connaissances capables de cartographier les relations entre les entités, les données, les systèmes et les processus.

Ce type de structure fournit aux agents IA une base de raisonnement plus riche. En aidant les systèmes à comprendre non seulement des informations individuelles, mais aussi les relations entre elles, les entreprises peuvent améliorer la cohérence, la précision et l’utilité des résultats générés par l’IA, en particulier dans des environnements complexes comme les marchés financiers.

Construire des agents plus disciplinés

Le panel a également exploré le rôle croissant des agents IA, notamment des systèmes de type auto-research capables de naviguer, synthétiser, analyser et restituer de grands volumes d’informations.

Ces capacités ouvrent de nouvelles possibilités pour la recherche, l’ingénierie, les opérations et l’aide à la décision. Cependant, Ramit a également souligné que l’autonomie sans structure peut rapidement devenir un risque. À mesure que les agents IA gagnent en capacité, les entreprises doivent mettre en place des contrôles adaptés à leur fonctionnement.

Cela inclut ce que Ramit a décrit comme un « harnais » d’agent — le cadre qui régit la manière dont les agents interagissent avec les outils internes, les API externes, les sources de données et les boucles de rétroaction. Un bon cadre permet de standardiser l’exécution, de surveiller les performances, de comparer les résultats à des KPI définis et d’assurer une visibilité sur la manière dont les agents parviennent à leurs conclusions.

En d’autres termes, l’objectif n’est pas simplement de construire des agents plus intelligents, mais des agents plus disciplinés.

Gouvernance, sécurité et gestion des coûts

À mesure que l’IA se rapproche de la production, la rigueur opérationnelle devient encore plus importante. Sans contrôles clairs, les systèmes d’IA peuvent devenir coûteux à exploiter, difficiles à surveiller et complexes à gouverner. Les agents qui exécutent des tâches récursives, consomment de grands volumes de tokens ou interagissent avec plusieurs systèmes peuvent générer des coûts et une complexité opérationnelle importants s’ils ne sont pas gérés avec soin.

Ramit a insisté sur l’importance de la gestion des coûts, notamment à travers le contrôle des budgets de tokens, les limites d’exécution et la mesure du retour sur investissement. Il a également souligné l’importance de la sécurité et de la gouvernance des données à mesure que les systèmes IA s’intègrent davantage aux flux de travail des entreprises.

Pour les acteurs des marchés financiers, cela est particulièrement essentiel. Les systèmes IA doivent fonctionner dans des environnements sécurisés et cloisonnés qui protègent les données sensibles, respectent les obligations réglementaires et empêchent toute exposition involontaire d’informations. Une approche de type zero trust concernant les permissions des agents — où les systèmes ne disposent que des accès strictement nécessaires dans des limites clairement définies — peut permettre aux entreprises de tirer parti de l’IA tout en maîtrisant les risques.

Appliquer l’IA avec discipline stratégique

Un thème récurrent tout au long de la discussion a été l’importance d’une discipline dans le choix des cas d’usage.

À mesure que les capacités de l’IA continuent de progresser, les entreprises peuvent être tentées d’appliquer cette technologie partout. Mais Ramit a insisté sur le fait qu’une mise en œuvre réussie dépend d’une définition claire des domaines où l’IA peut créer une réelle valeur ajoutée — et de la reconnaissance des situations où elle n’est peut-être pas adaptée.

Cela nécessite d’évaluer les initiatives IA à travers le prisme de l’adoption, de l’engagement, du retour sur investissement, des KPI, de la sécurité et de l’impact opérationnel. Cela implique également de trouver un équilibre entre ambition et pragmatisme : avancer suffisamment vite pour innover, tout en restant suffisamment prudent pour garantir que les systèmes IA soient fiables, mesurables et alignés sur les besoins réels de l’entreprise.

Le panel a reflété une évolution plus large actuellement en cours dans l’industrie. Les entreprises des marchés financiers ne se contentent plus d’expérimenter avec l’IA ; elles cherchent désormais à comprendre comment l’IA peut devenir une composante durable d’une infrastructure de production.

Tower est fière de contribuer à ces échanges et d’aider à façonner une réflexion approfondie sur l’avenir de l’intelligence artificielle dans la finance.