Comment JPMorgan Chase a intégré la supervision humaine dans ses workflows d'agents IA

En 2023 et 2024, JPMorgan Chase a accéléré le déploiement de systèmes agentiques dans plusieurs fonctions, notamment la recherche actions, la conformité réglementaire et l'analyse de contrats. Le programme LLMLLMA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Voir la définition complète → Suite, déployé à l'origine auprès de 50 000 employés selon des communications internes rapportées par Bloomberg, permettait aux analystes d'interroger des modèles de langage pour synthétiser des données de marché et préparer des mémos d'investissement. La question qui se posait rapidement n'était pas technique : c'était de savoir à quel moment un agent peut agir seul, et à quel moment un humain doit valider avant que quoi que ce soit ne soit transmis à un client ou soumis à un régulateur.

Ce problème est structurel dans les secteurs réglementés. Une erreur d'un agent sur une analyse de crcrThe percentage of visitors or prospects who complete a desired action (purchase, sign-up, contact form), calculated as conversions divided by total opportunities.Voir la définition complète →édit ou un rapport de conformité n'est pas un bug isolé : c'est potentiellement une violation de MiFID II, de la Dodd-Frank Act ou des règles de la SEC. JPMorgan opère sous la surveillance de plusieurs régulateurs simultanément, avec des auditeurs qui examinent les processus décisionnels, pas seulement les résultats. L'enjeu était donc de bâtir un cadre où l'agent apporte de la vitesse et de la couverturecouvertureThe number of unique people exposed to your message in a given period. Unlike impressions, reach counts each person once, no matter how often they see it.Voir la définition complète → analytique, sans retirer la traçabilité humaine que les régulateurs exigent.

Ce que JPMorgan a mis en place

La banque a structuré ses workflows agentiques autour de ce que ses équipes d'ingénierie appellent des "checkpoints d'approbation" : des nœuds prédéfinis dans le flux de travail où l'agent s'arrarrAnnual Recurring Revenue (ARR) is the normalized, predictable revenue a subscription business expects to earn from active contracts over a single year.Voir la définition complète →ête et soumet sa sortie à un analyste ou un responsable avant de continuer. Ce modèle est différent d'une simple relecture finale. L'agent peut, par exemple, collecter et synthétiser des données sur dix concurrents d'une entreprise cible, mais il ne génère pas la recommandation d'investissement : il transfère le dossier enrichi à un analyste senior qui prend la décision.

Ce design suit un principe que les architectes de systèmes agentiques appellent "human-in-the-loop" à points fixes, par opposition à une supervision continue ou à une autonomie totale. JPMorgan a défini trois niveaux d'autonomie pour ses agents selon la nature de la tâche :

• Exécution autonome complète pour les tâches à faible risque et haute répétabilité (extraction de données, reformatage de rapports, alertes de monitoring)
• Validation obligatoire avant transmission pour les tâches à impact client ou réglementaire direct
• Intervention humaine dès le début du processus pour les décisions qui engagent la responsabilité légale de la banque

Sur le volet contrats, le système COiN (Contract Intelligence), actif depuis plusieurs années mais progressivement étendu à des tâches plus complexes, extrait des clauses et signale des anomalies. Mais la validation finale sur les contrats de crédit commerciaux reste attribuée à un juriste. L'agent identifie, le juriste tranche. Ce partage des tâches n'est pas une précaution symbolique : il répond à une exigence explicite des équipes juridiques internes et des auditeurs externes.

Autre décision architecturale importante : la traçabilité des raisonnements. JPMorgan a exigé que ses agents génèrent des logs structurés à chaque étape, incluant les sources consultées, les étapes de raisonnement intermédiaires et les alternatives que l'agent a écartées. Ces logs sont conservés et accessibles aux auditeurs. C'est une contrainte qui ralentit légèrement les traitements, mais qui permet à la banque de répondre à la question "pourquoi cette sortie ?" sans avoir à reconstruire le raisonnement a posteriori.

Les résultats

Sur COiN, JPMorgan a communiqué publiquement que le système permettait d'analyser des contrats en quelques secondes, contre plusieurs heures pour un examen manuel, sur des tâches spécifiques comme l'extraction de clauses standardisées. La banque a évoqué l'équivalent de 360 000 heures de travail annuel libérées sur ce périmètre précis. Ce chiffre provient de communications officielles de JPMorgan et doit être lu comme une estimation interne, pas un audit indépendant.

Plus significatif pour les équipes opérationnelles : le taux d'erreurs sur les extractions de clauses a baissé, selon les mêmes sources, par rapport aux processus manuels. L'agent n'est pas infaillible, mais il est cohérent d'une occurrence à l'autre, là où la fatigue ou la surcharge des équipes humaines introduisait de la variabilité.

Ce que JPMorgan n'a pas publié, et c'est un manque réel pour quiconque cherche à évaluer ce modèle, c'est le coût de la supervision humaine ajoutée. Combien d'ETP (équivalents temps plein) sont mobilisés pour gérer les checkpoints ? Quel est le délai moyen de validation ? Ces métriques déterminent si le gain de productivité brut se traduit réellement en efficience nette. Des sources sectorielles comme Accenture ou McKinsey, dans leurs rapports sur l'automatisation bancaire publiés entre 2023 et 2025, soulignent que le coût de gouvernance des agents est systématiquement sous-estimé dans les projets pilotes.

Ce qui se transfère, et ce qui ne se transfère pas

Le principe des checkpoints à points fixes est applicable bien au-delà de la banque. Dans tout workflow agentique où une sortie déclenche une action irrirrThe Internal Rate of Return is the discount rate that makes a project's net present value equal zero. It expresses an investment's expected annualized return.Voir la définition complète →éversible ou à impact tiers (envoi d'un email client, validation d'une commande fournisseur, génération d'un document contractuel), un nœud de validation humaine explicite est une mesure d'architecture, pas d'organisation. Il doit être conçu dans le workflow dès le départ, pas ajouté après un incident.

La logique de gradation de l'autonomie (trois niveaux chez JPMorgan) est également exportable. La plupart des équipes qui déploient des agents en 2026 opèrent encore avec une règle binaire implicite : soit l'humain fait tout, soit l'agent fait tout. La segmentationsegmentationDividing a market into distinct groups of customers who share similar needs, characteristics or behaviours, so each group can be served with a tailored approach.Voir la définition complète → par niveau de risque et de réversibilité de la tâche est un cadre plus opérationnel.

En revanche, deux éléments du modèle JPMorgan ne se transfèrent pas directement. Premièrement, l'exigence de logs structurés détaillés suppose une infrastructure de traçabilité que la plupart des PME ou même des directions métier de grandes entreprises n'ont pas. Mettre en place cette couche coûte du temps et des ressources avant de générer un retour visible. Deuxièmement, JPMorgan travaille avec des équipes d'ingénierie internes de plusieurs milliers de personnes, ce qui lui permet de configurer finement ses checkpoints par type de contrat, par marché et par régulateur. Une organisation qui s'appuie sur des outils no-code ou des plateformes d'agents tiers comme celles de Microsoft (Copilot Studio) ou de Salesforce (Agentforce, éditeur CRMCRMCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Voir la définition complète →) a