Model ML mise sur l’open source spécialisé et le déploiement privé pour exécuter des agents IA dans les banques

Relu par Bastien L., Rédacteur en chef

La société londonienne Model ML lève 250 millions de dollars pour déployer ses agents IA au sein des banques. General Atlantic et QED Investors co-dirigent ce tour de table qui valorise l’éditeur à 1,5 milliard de dollars. Pour convaincre les RSSI bancaires, la plateforme associe des modèles open source spécialisés à un hébergement sur serveur privé.

Fondée par Chaz et Arnie Englander, Model ML atteint désormais 350 millions de dollars de capitaux levés. Cette opération suit une série A de 75 millions de dollars menée par FT Partners en novembre 2025. L’éditeur déclare également avoir multiplié son chiffre d’affaires annuel récurrent par douze au troisième trimestre 2026. Durant la même période, le nombre d’utilisateurs actifs quotidiens de la plateforme a été multiplié par vingt-six. 

Mais au-delà de ces indicateurs financiers, le déploiement continu des agents IA dans les banques pose deux problèmes techniques concrets. Car l’exécution permanente des requêtes génère des coûts de calcul élevés sur les modèles généralistes. En plus, la réglementation bancaire interdit d’exposer des données transactionnelles sensibles sur des infrastructures externes mutualisées.

Comment Model ML route les tâches financières vers des modèles open source optimisés

La plateforme repose sur un moteur d’orchestration agnostique capable d’analyser la nature exacte de chaque opération demandée. Un analyste peut donc solliciter l’actualisation d’un classeur Excel ou la rédaction d’un rapport d’audit préalable. Ensuite, le système évalue la requête selon trois critères précis : la précision, la latence et le coût. Ainsi, l’outil évite de solliciter systématiquement les grands modèles propriétaires pour des tâches bureautiques répétitives. 

Une part croissante des charges s’exécute plutôt sur des modèles open source affinés par Model ML sur des corpus financiers. Ce routage limite les appels aux interfaces facturées au million de jetons selon les grilles tarifaires d’OpenAI. Il réduit aussi la dépendance aux modèles facturés selon les barèmes de l’API Anthropic.

Sur le plan budgétaire, Model ML affirme fonctionner à 2 % du coût des systèmes propriétaires de pointe. L’éditeur revendique également une vitesse d’exécution cinq fois supérieure pour les agents IA déployés dans les banques. Toutefois, ces gains déclaratifs exigent une vérification rigoureuse de la part des équipes FinOps. Puisque ce ratio dépend de la typologie des requêtes traitées par les algorithmes.

L’extraction de données structurées consomme moins de ressources qu’un raisonnement financier complexe en plusieurs étapes. Par conséquent, le calcul du coût réel doit intégrer la location de serveurs graphiques dédiés. Les équipes techniques doivent notamment chiffrer l’amortissement des instances AWS EC2 P5 équipées de puces NVIDIA H100. Et seul un test sur le benchmark financier The FinBen permettrait d’objectiver la précision réelle de ces modèles.

Déploiement sur infrastructure privée et gouvernance des IA bancaires

La localisation des calculs est le second frein technique pour les établissements financiers. Pour y répondre, Model ML autorise une installation directe sur le cloud privé ou les serveurs internes du client. Ainsi, les flux documentaires demeurent strictement confinés dans le périmètre réseau de chaque banque. 

Par ailleurs, l’éditeur s’engage contractuellement à ne jamais exploiter les données clients pour entraîner ses modèles. Afin de rassurer les responsables sécurité, la plateforme s’appuie sur la certification officielle ISO/IEC 27001:2022. Elle dispose également d’un audit SOC 2 Type II encadré par l’AICPA qui couvre le traitement continu des informations sensibles. Grâce à ce cadre, les agents lisent les bases internes et modifient directement les fichiers Excel et PowerPoint. Les équipes de Londres et New York vont aussi renforcer ces connecteurs grâce aux nouveaux capitaux levés.

Cependant, la diffusion des agents IA de Model ML dans les banques rencontre encore une limite méthodologique précise. À ce jour, aucun audit indépendant ne mesure le taux d’erreur des modèles financiers actualisés automatiquement en arrière-plan. De ce fait, les banques devront instaurer des protocoles de relecture humaine avant toute diffusion externe des livrables. 

En outre, ce modèle d’assistant personnel transversal devra prouver sa solidité devant les éditeurs spécialisés sur des niches réglementées. Les établissements financiers choisiront alors entre cet outil unique et des solutions dédiées comme Eunice, Gradient Labs ou Rogo. Le critère décisif restera la fiabilité mesurée en production réelle sur plusieurs trimestres d’exploitation.

ARTICLES SIMILAIRES