Pourquoi les opérations post-trade sont prêtes pour l’IA agentique
Le passage mondial au règlement T+1 a mis en évidence une lacune fondamentale dans les opérations post-trade : les bonnes données et les bons processus existent déjà, mais les exécuter assez vite à travers des centaines d’exceptions simultanées dépasse ce que des workflows manuels peuvent offrir. Dans Global Custodian, Yogesh Shenai, Directeur de la gestion de produit chez Smartstream, soutient que c’est précisément le problème que l’IA agentique a été conçue pour résoudre. Plutôt que de signaler des exceptions et d’attendre, des agents enquêtent, communiquent, enrichissent, hiérarchisent et résolvent de manière autonome — à une vitesse que la fenêtre de règlement compressée exige réellement.
Les marchés nord-américains ont effectué la transition vers le T+1 en mai 2024, le Royaume-Uni, l’UE et la Suisse suivant le 11 octobre 2027. Shenai note que les entreprises ayant déjà effectué la transition ont essentiellement simplement accéléré les mêmes tâches manuelles. Les files d’attente d’exceptions n’étaient pas priorisées selon l’urgence de règlement, l’investigation des écarts à travers plusieurs systèmes était trop lente, et les workflows en aval pour la notification des contreparties et le suivi des pénalités restaient largement manuels. L’IA agentique répond directement à chacun de ces points de défaillance.
D’une investigation réactive à un triage préventif
Aujourd’hui, lorsqu’un analyste humain prend en charge une exception, il part de zéro : connexion à plusieurs systèmes, lecture de l’historique des e-mails et reconstitution de ce qui s’est passé. Un workflow agentique change entièrement ce modèle. En surveillant en temps réel les données de transaction en direct par rapport à des schémas de résolution connus, Smart Agents peuvent identifier des signaux qui, historiquement, précèdent un écart — une contrepartie qui répond systématiquement en retard, une classe d’actifs avec des retards SSI chroniques, ou un type de transaction où les écarts de confirmation se regroupent — et déclencher une investigation avant que l’écart ne soit confirmé. L’analyste reçoit un dossier préconstitué et prend une décision plutôt que de mener lui-même l’investigation.
La communication par e-mail entre les équipes opérationnelles et les contreparties est également transformée. Un agent peut rédiger et envoyer une prise de contact, surveiller les réponses, lire les retours en langage naturel, évaluer le sentiment et l’intention, et renvoyer cette détermination au workflow sous forme de données structurées. Selon Shenai, cette approche réduit les taux d’intervention manuelle de 60 à 80 % sur les workflows concernés, tandis qu’une investigation qui prendrait 30 à 45 minutes à un analyste expérimenté peut être réalisée par un agent en moins de deux minutes.
Concevoir délibérément le rôle humain
L’IA agentique ne remplace pas le jugement humain — elle redistribue l’endroit où ce jugement s’applique. Shenai est clair sur ce point : les activités nécessitant une intervention humaine doivent être conçues délibérément comme exclusivement humaines dès le départ, et non traitées comme une solution de repli lorsqu’un agent est bloqué. Les appels de relation, les escalades auprès des contreparties ayant un impact réputationnel, et les décisions ayant des implications juridiques sont des exemples où l’autorité humaine constitue le bon choix de conception. De même, les agents sont conçus pour reconnaître les obstacles qu’ils ne peuvent pas résoudre — litiges nécessitant une interprétation contractuelle, défaillances complexes à plusieurs volets, ou pannes d’infrastructure de tiers — et escalader en conséquence.
Au-delà du traitement des exceptions, la valeur plus profonde des workflows agentiques réside dans la codification des connaissances institutionnelles. Le jugement que portent les analystes expérimentés — quels processus suivre, quelles contreparties nécessitent une gestion attentive, quelles exceptions sont routinières par rapport à des signaux de quelque chose de plus important — peut désormais être encodé dans la conception des workflows, inspecté et transféré. Les nouveaux membres de l’équipe héritent de ces connaissances dès le premier jour, et elles s’améliorent au fil du temps à mesure que les workflows sont affinés. La plateforme Smart Agents de Smartstream est construite autour de ce modèle : autonomie contrôlée par des politiques, auditabilité complète et apprentissage continu à partir du comportement et des résultats des analystes.
