Comment Morgan Stanley a transformé une tâche répétitive en workflow IA durable

En 2022, Morgan Stanley gère plus de 1 200 milliards de dollars d'actifs clients et emploie environ 16 000 conseillers financiers aux États-Unis. Chaque conseiller passe une partie significative de sa semaine à chercher des informations dans une bibliothèque interne de recherche et de documentation produit qui dépasse les 100 000 documents. Cette recherche est manuelle, chronophage, et produit des résultats inégaux selon l'expérience du conseiller. Le problème n'est pas spectaculaire, il est banal : trouver la bonne note de recherche sur un fonds, ou vérifier la politique fiscale applicable à un type de compte, prend parfois vingt minutes là où cela devrait en prendre deux.

Ce n'est pas un problème technologique au sens étroit. C'est un problème d'accès à la connaissance à grande échelle, répété des dizaines de milliers de fois par semaine.

Ce que Morgan Stanley a mis en place

La banque a choisi d'expérimenter avec GPT-4 d'OpenAI via une intégration construite sur mesure, en partenariat direct avec OpenAI. L'outil, baptisé en interne "AI @ Morgan Stanley Assistant", a été déployé en version pilote auprès d'un groupe de conseillers sélectionnés avant un déploiement plus large.

Le mécanisme central repose sur la recherche augmentée par récupération de contexte, connue sous l'acronyme RAG (Retrieval-Augmented Generation). Concrètement, le modèle ne génère pas de réponses à partir de son entraînement général : il interroge d'abord la base documentaire interne de Morgan Stanley, récupère les passages pertinents, puis les utilise pour construire une réponse sourcée et vérifiable. C'est un choix architectural délibéré pour éviter les hallucinations sur des sujets financiers réglementés.

Plusieurs décisions de conception méritent attention :

• Les réponses incluent systématiquement une référence au document source, ce qui permet au conseiller de vérifier et d'aller plus loin si nécessaire.
• Le système est connecté uniquement à la documentation interne validée, pas à internet. Cela réduit le risque de contamination par des sources non contrôlées.
• L'outil répond en langage naturel, mais les prompts ont été travaillés en amont par les équipes internes pour cadrer les types de questions admissibles et le format attendu des réponses.
• La formation des conseillers a été intégrée au déploiement : pas une vidéo de onze minutes envoyée par email, mais des sessions pratiques avec des cas d'usage tirés du quotidien réel des équipes.

Ce dernier point est souvent sous-estimé dans les analyses de ce déploiement. La technologie était prête avant que les utilisateurs ne soient formés à l'utiliser correctement. Morgan Stanley a choisi de ralentir le déploiement pour investir dans l'adoption plutôt que de déployer vite et corriger ensuite.

Les résultats

Morgan Stanley n'a pas publié de chiffres précis sur les gains de productivité par conseiller. Les déclarations publiques de Jeff McMillan, responsable de l'analytique et de l'innovation chez Morgan Stanley Wealth Management, évoquent une réduction du temps passé à chercher des informations, sans quantifier le gain de façon officielle. Il faut donc traiter avec prudence les chiffres qui circulent dans la presse spécialisée : certaines sources mentionnent des gains de l'ordre de 20 à 30 minutes par jour et par conseiller, mais ces estimations ne sont pas confirmées dans des rapports indépendants.

Ce que l'on sait avec certitude : le déploiement s'est étendu à l'ensemble des 16 000 conseillers financiers, ce qui indique que le pilote a passé les critères internes de viabilité. Morgan Stanley a annoncé publiquement cette extension en 2023. Le fait qu'une institution aussi prudente sur le plan réglementaire ait maintenu et étendu l'outil est en soi un signal sur l'utilité perçue.

Un second outil a été développé dans la foulée, orienté cette fois vers la gestion des réunions clients : il aide les conseillers à préparer les points de discussion et à résumer les échanges post-réunion. Cela confirme une logique de workflow, pas de gadget : une fois la première brique validée, l'architecture RAG a été réutilisée pour d'autres tâches répétitives du même type.

Ce qui transfère à votre contexte

La mécanique que Morgan Stanley a appliquée n'est pas réservée aux grandes banques. Elle repose sur trois choix reproductibles.

Le premier : identifier une tâche réellement répétitive avant de construire quoi que ce soit. Morgan Stanley n'a pas demandé "comment utiliser l'IA" en général. L'équipe a recensé le temps passé sur la recherche documentaire, vérifié que c'était une douleur partagée par des milliers de personnes, et construit autour de ce cas précis. Beaucoup d'organisations font l'inverse : elles déploient un outil généraliste et espèrent que les équipes trouveront un usage.

Le second : séparer la génération de la récupération. L'approche RAG résout un problème concret : un 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 → seul hallucine sur des données internes qu'il ne connaît pas. Connecter le modèle à votre propre documentation, avec des sources citées dans la réponse, transforme un outil de génération en outil de navigation dans la connaissance existante. Cette distinction change la confiance des utilisateurs.

Le troisième : planifier l'adoption avant le déploiement, pas après. Les organisations qui lancent un outil et constatent ensuite un taux d'adoption faible ont généralement investi l'intégralité de leur budget dans la technologie et rien dans le changement de pratique. Morgan Stanley a fait l'inverse sur ce déploiement.

Où votre contexte peut différer : la taille de la bibliothèque documentaire interne et la qualité de cette documentation sont déterminantes. Un système RAG sur des documents mal structurés, non datés ou contradictoires produit des réponses médiocres. Avant de construire un workflow IA sur votre base de connaissance interne, un audit de cette base est souvent la première étape réelle, et la plus fastidieuse.

La leçon principale de Morgan Stanley n'est pas qu'ils ont utilisé GPT-4. C'est qu'ils ont sélectionné une tâche à volume élevé, choisi une architecture adaptée au risque de leur secteur, et investi dans l'adoption autant que dans le déploiement. Ces trois choix sont indépendants du fournisseur de modèle, et reproductibles dans une PME comme dans une multinationale.