Quelque chose de remarquable s'est produit dans le secteur financier début 2026. BNY Mellon, la plus grande banque dépositaire au monde gérant plus de 50 000 milliards de dollars d'actifs, a déployé 20 000 agents IA au sein de sa main-d'œuvre mondiale. Pas en tant que programme pilote. Pas dans un bac à sable. En production, gérant des opérations réelles, avec de l'argent réel en jeu.
Ce n'est pas une histoire sur une banque. C'est une histoire sur la direction que prend l'IA enterprise, et ce que chaque équipe technologique — y compris nous chez TEN INVENT — doit comprendre maintenant.
Des Chatbots aux Agents Autonomes
Au cours des deux dernières années, la plupart des entreprises ont traité l'IA générative comme un moteur de recherche sophistiqué. Les employés tapaient des questions, recevaient des réponses et copiaient les résultats dans leur travail effectif. C'était utile, mais c'était fondamentalement un outil réactif.
La plateforme ELIZA de BNY Mellon représente un paradigme entièrement différent. Au lieu que les employés demandent de l'aide à l'IA, ils construisent des agents IA qui exécutent des tâches complexes et multi-étapes de manière autonome. Ces agents ne se contentent pas de répondre aux questions — ils surveillent les règlements des transactions, identifient les risques avant qu'ils ne deviennent des problèmes et initient des protocoles de remédiation sans intervention humaine.
L'insight clé n'est pas la technologie elle-même mais le modèle de déploiement : 20 000 employés construisent leurs propres agents personnalisés. Ce n'est pas un projet informatique centralisé où une petite équipe construit des outils pour tout le monde. C'est une approche décentralisée où les experts du domaine — traders, responsables conformité, directeurs des opérations — créent des agents adaptés à leurs flux de travail spécifiques.
L'Architecture Model-Agnostique
L'une des décisions les plus intelligentes dans l'architecture de BNY Mellon est qu'ELIZA est model-agnostique. Les agents peuvent basculer entre différents modèles IA selon la tâche :
- GPT-4 d'OpenAI pour le raisonnement logique complexe et l'analyse
- Google Gemini Enterprise pour la recherche approfondie multimodale impliquant documents et images
- Modèles spécialisés basés sur Llama pour la remédiation du code interne et les tâches propriétaires
C'est un pattern que nous défendons fortement chez TEN INVENT. Enfermer votre entreprise dans un seul fournisseur IA est l'équivalent 2026 du vendor lock-in des guerres de bases de données. Les modèles s'améliorent si rapidement que le meilleur modèle pour une tâche donnée change tous les quelques mois.
Les Chiffres Derrière les Dépenses IA Enterprise
Le déploiement de BNY Mellon ne se produit pas isolément. L'explosion des dépenses IA enterprise est stupéfiante :
- Meta devrait dépenser 115 à 135 milliards de dollars en infrastructure IA en 2026, environ le double de ses dépenses 2025. L'entreprise envisagerait de licencier 20% de sa main-d'œuvre (environ 15 000 employés) pour compenser ces coûts.
- Google vient de lancer Gemini 3.1 Flash-Lite, au prix de 0,25$ par million de tokens d'entrée, rendant le déploiement IA à l'échelle enterprise dramatiquement plus abordable.
- GPT-5.4 a été lancé avec l'utilisation native de l'ordinateur, permettant aux agents d'interagir directement avec les applications de bureau.
Ce que Font Réellement 20 000 Agents
La plateforme ELIZA prend en charge plus de 125 cas d'utilisation en direct dans les opérations de BNY Mellon :
Opérations Prédictives : Les agents n'attendent pas que les problèmes surviennent. Ils surveillent en continu les flux de données et signalent les problèmes avant qu'ils ne se matérialisent. Un risque de règlement identifié 30 minutes plus tôt peut économiser des millions en pénalités pour transactions échouées.
Remédiation Autonome : Quand un agent identifie un problème, il n'envoie pas simplement une alerte. Il initie une correction. Si une transaction se dirige vers un échec de règlement, l'agent peut la rediriger, ajuster le timing ou escalader vers l'humain approprié.
Amplification des Connaissances : Les experts du domaine encodent leur expertise dans des agents. Un responsable conformité avec 20 ans d'expérience peut construire un agent qui applique son jugement à des milliers de transactions simultanément. Cela ne remplace pas l'expert — cela le multiplie.
Orchestration Cross-Système : Des agents individuels se coordonnent à travers des systèmes qui nécessitaient traditionnellement une intervention manuelle pour être connectés.
Leçons pour Chaque Entreprise
1. Démocratisez la Création d'Agents
La décision la plus importante de BNY Mellon n'était pas technique — elle était organisationnelle. En permettant à 20 000 employés de construire des agents, ils ont exploité l'expertise métier qu'aucune équipe centralisée ne pourrait répliquer.
2. Commencez Model-Agnostique
Ne pariez pas votre architecture sur un seul fournisseur. Construisez des couches d'abstraction maintenant. Utilisez MCP (Model Context Protocol) pour standardiser la façon dont vos agents interagissent avec les outils et services.
3. Concevez pour l'Autonomie, Pas l'Assistance
La différence entre un chatbot et un agent est l'autonomie. Les chatbots attendent les questions. Les agents surveillent, décident et agissent.
4. Gouvernance Dès le Premier Jour
BNY Mellon opère dans l'une des industries les plus réglementées au monde. Leurs agents fonctionnent parce que la gouvernance a été intégrée à la plateforme dès le départ.
Et Ensuite
Chez TEN INVENT, nous voyons ce pattern s'accélérer dans chaque industrie. Les entreprises qui déploient des agents IA à grande échelle en 2026 auront un avantage structurel extrêmement difficile à répliquer. Il ne s'agit pas seulement de technologie — il s'agit du muscle organisationnel d'avoir des milliers d'employés qui savent comment construire et gérer des agents IA.
L'ère agentique n'arrive pas. Pour des entreprises comme BNY Mellon, elle est déjà là. La question pour toute autre organisation est simple : à quelle vitesse pouvez-vous rattraper votre retard ?