Gradient Labs donne à chaque client bancaire un gestionnaire IA

Dans le secteur bancaire, résoudre le problème d’un client est rarement simple. Des cas comme la fraude ou les paiements bloqués exigent le respect rigoureux de procédures complexes impliquant plusieurs équipes. Quand les systèmes ne suffisent pas, les clients sont transférés d’une équipe à l’autre, attendent en file et subissent des délais au moment même où l’enjeu est le plus élevé.

Gradient Labs⁠(s'ouvre dans une nouvelle fenêtre) est conçue pour gérer cette complexité. Cette entreprise établie à Londres développe des agents IA qui offrent à chaque client bancaire l’expérience d’un gestionnaire de compte attitré. Fondée par une équipe qui dirigeait auparavant les efforts en IA et en données chez Monzo, la plateforme de l’entreprise repose sur les modèles OpenAI et transfère maintenant son trafic de production vers GPT‑5.4 mini et nano.

« Nous observons une latence de 500 millisecondes avec GPT‑5.4 mini et nano, ce qui correspond exactement à nos besoins pour des conversations vocales naturelles », explique Danai Antoniou, cofondatrice et scientifique en chef chez Gradient Labs. « Nous transférons une part importante de notre charge de travail vers ces modèles. »

Dans le secteur bancaire, les interactions avec les clients sont régies par des procédures opérationnelles normalisées (SOP) qui définissent ce qui doit se produire à chaque étape.

Une interaction client typique peut ressembler à ceci :

1. Un client appelle pour signaler qu’une carte a été volée.
2. Le système vérifie son identité, en gérant les corrections et les interruptions en temps réel.
3. Une fois l’identité vérifiée, il bloque la carte et lance son remplacement.
4. Il répond aux questions de suivi, comme le délai de livraison, et suggère les prochaines étapes.

Chaque étape suit une procédure définie, avec des décisions prises en temps réel selon les données de l’utilisateur, le contexte, les mesures en cours d’exécution, ainsi que les réponses du client et de l’agent pour assurer la conformité.

« Le modèle doit être capable de maintenir l’état de la procédure malgré les interruptions, les acquiescements et les changements de sujet, tout en générant des réponses rapidement », explique Antoniou. « La plupart des fournisseurs ne pouvaient même pas s’y attaquer. »

Gradient Labs compare les fournisseurs selon leurs procédures les plus exigeantes et les évalue à partir de ce qu’elle appelle la précision de trajectoire : à savoir si le système suit le bon parcours du début à la fin.

Dans l’une de ses premières évaluations, GPT‑4.1 a été le seul modèle à atteindre 97 % de précision et de constance de trajectoire. Le fournisseur suivant le plus proche était à 88 %.

« Dans les services financiers, c’est ce qui fait la différence entre résoudre un appel et créer un incident de conformité », souligne Antoniou.

Ce résultat a influencé la façon dont Gradient Labs a conçu son système. L’équipe a mis en place une architecture hybride qui utilise les modèles OpenAI pour les étapes nécessitant un raisonnement approfondi et des modèles plus légers pour les tâches plus rapides et déterministes, avec un routage qui s’adapte en fonction de la complexité et des contraintes de latence.

À l’interne, le système est composé de compétences spécialisées orchestrées par un agent de raisonnement central, ce qui permet aux cas complexes de passer d’un flux de travail à l’autre sans perdre le contexte. 

Pour chaque interaction, plus de 15 systèmes de mesures fonctionnent en parallèle pour s’assurer que les conversations restent dans les procédures définies et les limites de conformité, y compris la détection de conseils financiers, les signaux de vulnérabilité, les plaintes et les tentatives de contourner la vérification ou d’accéder à des données sensibles. 

Les institutions financières ne déploient pas ce genre de systèmes sur un acte de foi. Elles doivent voir, étape par étape, qu’il se comporte correctement dans des conditions réelles.

« Il faut concevoir l’architecture dès le départ pour éviter toute hallucination », explique Antoniou. « Cela doit être le principe directeur tout au long de la conception. »

Pour évaluer les nouveaux modèles comme les modèles existants, l’équipe rejoue de vraies conversations avec des clients et compare le comportement du système à la procédure attendue. Elle génère aussi des conversations synthétiques pour tester les cas limites et les scénarios rares avant tout déploiement.

Gradient Labs donne aussi aux équipes le contrôle sur la façon dont le système est introduit. Elle analyse les données historiques de soutien afin de cartographier les types de problèmes clients qu’une banque traite et leur fréquence. Les équipes peuvent ensuite choisir quelles catégories l’IA doit prendre en charge, en commençant par les flux de travail à plus faible risque puis en élargissant progressivement.

Avant la mise en service, les clients peuvent simuler des conversations pour examiner comment le système répond dans différents scénarios, ce qui renforce la confiance qu’il se comportera comme prévu. 

Le déploiement commence généralement avec un faible pourcentage du trafic, avec une surveillance continue et des vérifications automatisées qui signalent les conversations pouvant nécessiter un examen humain. Avec le temps, la couverture s’élargit à mesure que le système démontre une performance constante.

Les clients de Gradient Labs rapportent des scores de CSAT atteignant 98 %, dépassant dans certains cas leurs meilleurs agents humains. La plupart des déploiements commencent avec des taux de résolution de plus de 50 % dès le premier jour, même pour des flux de travail complexes comme les litiges, la vérification de compte et la fraude. 

Cet impact se reflète dans la croissance de l’entreprise. Gradient Labs a augmenté ses revenus de plus de 10x au cours de la dernière année, en passant du soutien entrant aux processus sortants et des fonctions administratives.

À l’avenir, Gradient Labs se concentre sur des systèmes capables de conserver le contexte d’une interaction à l’autre : comprendre l’historique d’un client, suivre les problèmes en cours et reprendre là où les conversations précédentes se sont arrêtées. Cette orientation s’inscrit étroitement dans la vision à long terme du partenariat entre Gradient Labs et OpenAI.

À mesure que les modèles continuent de s’améliorer, l’éventail des procédures qui peuvent être automatisées de façon sécuritaire s’élargit. Pour Gradient Labs, cela signifie se rapprocher d’un système où chaque interaction client est traitée avec la même constance, le même jugement et la même continuité qu’un agent humain de premier ordre.