Pourquoi la complexité du KYB ne cesse de croître, et comment les équipes peuvent enfin prendre de l'avance

Les équipes doivent déterminer quelles données sont à jour et comment les différents éléments de preuve se rapportent les uns aux autres. Le tableau d'ensemble est-il assez clair pour faire avancer le dossier ? Rien de tout cela n'est nouveau pour les équipes d'onboarding expérimentées, mais l'échelle a changé. À mesure que le volume et la variété des preuves augmentent, la part d'interprétation augmente elle aussi.

Cela crée un problème de second ordre pour les dispositifs KYB matures. Ajouter davantage de données ne rend pas automatiquement le processus plus efficace. Une source supplémentaire n'apporte pas de valeur si vous ne pouvez pas l'intégrer facilement au reste du dossier.

C'est là que commencent à émerger certains des cas d'usage les plus crédibles de l'IA agentique. Ce que nous observons chez Taktile, c'est que l'IA a le plus d'impact là où l'information existe déjà, mais où les analystes doivent relier les preuves et les transformer en prochaine action claire.

Points clés à retenir

• La complexité du KYB augmente parce que les équipes doivent rapprocher davantage de données, de preuves et de sources dans chaque dossier.
• Davantage de données KYB ne signifie pas automatiquement plus d'efficacité si les analystes doivent encore les relier et les interpréter manuellement.
• L'IA agentique est la plus utile lorsque les preuves existent déjà mais que les équipes ont besoin d'aide pour enquêter, synthétiser et décider de la suite.
• Premiers cas d'usage : revue des médias défavorables, résolution de l'actionnariat, vérification des licences et exhaustivité des dossiers de demande.
• Le meilleur point de départ est un problème KYB circonscrit, avec des exigences de preuve, des résultats attendus et des règles d'escalade clairs.
• Les workflows KYB agentiques qui fonctionnent nécessitent toujours une supervision humaine, un suivi et un ajustement continu.

Le coût de la complexité se dissimule facilement

À mesure que les dispositifs KYB s'enrichissent, le coût de coordination de chaque source supplémentaire apparaît rarement sous la forme d'un goulot d'étranglement unique. Il s'accumule tout au long du processus. De petites divergences peuvent déclencher des revues coûteuses et chronophages, sans bénéfice réel.

Pour les clients entreprises complexes, ces coûts peuvent devenir importants. Complexité et risque n'évoluent pas nécessairement de pair, contrairement à l'effort opérationnel. Une entreprise dont la structure d'actionnariat, l'empreinte géographique ou l'historique documentaire est plus complexe peut ainsi devenir coûteuse à onboarder correctement bien avant de devenir difficile à accepter du point de vue du risque.

Cette distinction compte, car elle change l'origine probable des prochains gains d'efficacité. Une fois les contrôles essentiels déjà automatisés, une part croissante de l'opportunité se concentre au même endroit : réduire le coût nécessaire pour transformer les preuves existantes en dossier résolu.

Là où les agents sont déjà utiles

Parmi les premiers cas d'usage les plus clairs des agents en KYB, plusieurs partagent une structure commune. La plupart des preuves nécessaires pour résoudre la tâche sont déjà disponibles, et le résultat attendu peut être défini.

L'investigation sur les médias défavorables en est un bon exemple. KYBench de Taktile Labs a testé des agents IA sur cette tâche auprès de 47 entreprises et sur 183 exécutions d'agents. Sur une grille indépendante de 20 points couvrant l'exhaustivité des preuves, la précision des entités, la qualité des sources et le calibrage du risque, les analystes humains ont obtenu en moyenne 13,50 et les agents IA 14,60.

L'expérience de Yuliya Kazakevich chez Cash App fournit un deuxième exemple en KYB. Son équipe a utilisé des LLM pour repérer les produits susceptibles de nécessiter des vérifications de licence supplémentaires, puis un agent pour exécuter les contrôles sur l'entité, récupérer les données de licence pertinentes et générer un récit prérempli pour les opérations. Selon Yuliya, cette approche combinée a réduit d'environ 70 % le temps de traitement des dossiers KYB.

Les workflows sont différents, mais l'opportunité sous-jacente est similaire. Dans les deux cas, l'information existe en grande partie déjà ; la charge opérationnelle vient de sa transformation en une réponse exploitable et vérifiable.

Le même principe peut s'étendre à d'autres étapes de l'onboarding. Un agent de résolution de l'actionnariat peut examiner les informations des registres et les documents du client pour reconstituer la structure de propriété et faire ressortir les incohérences. Un agent de contrôle d'exhaustivité des demandes peut évaluer les preuves reçues avant que le dossier n'arrive dans la file d'un analyste, en identifiant les lacunes assez tôt pour les résoudre en amont.

Pour les équipes qui décident où déployer des agents en premier, cela suggère un test relativement précis :

• Les preuves sont-elles en grande partie disponibles ?
• Le résultat attendu peut-il être défini clairement ?
• Une grande partie de l'effort actuel se situe-t-elle dans l'investigation et la synthèse ?

Le modèle opérationnel compte autant que la tâche

Identifier la bonne tâche ne représente qu'une partie de l'opportunité. Les observations indiquent aussi que la performance des agents dépend fortement de la façon dont l'investigation elle-même est conçue.

Le KYBench a montré que la performance peut varier selon la manière dont l'investigation est configurée, notamment la stratégie de recherche et la conception des prompts. La conception du workflow, des exigences de preuve et des règles d'escalade est donc un élément central de la performance réelle de l'agent.

L'expérience de Flora Zhang dans la conduite de l'onboarding piloté par l'IA chez Brex va dans le même sens, en production. Son équipe a cartographié la séquence des contrôles d'onboarding, déterminé où des humains ou des agents devaient intervenir, et construit l'architecture environnante autour de ces choix. À mesure que le système gagnait en maturité, le travail s'est déplacé vers le suivi, l'ajustement et le maintien de la performance, plutôt que de considérer le déploiement comme un projet terminé.

Comme le dit Flora :

« La maintenance est tout aussi importante : faire évoluer le programme par lui-même… et fournir en permanence le résultat de production idéal. »

Pour les équipes KYB, cela change la définition d'un bon premier cas d'usage. La question n'est pas simplement de savoir si un agent peut atteindre le bon résultat. Les équipes qui réussissent vérifieront s'il s'appuie sur des preuves appropriées, se comporte de manière cohérente sur des dossiers similaires, escalade l'incertitude et reste suffisamment observable pour comprendre pourquoi un dossier a avancé ou s'est arrêté.

Ces contrôles font partie intégrante de la capacité elle-même.

Une voie crédible commence par un problème circonscrit

Pour les banques qui explorent l'onboarding agentique, un bon point de départ est donc un problème dont les contours sont déjà bien compris et dont le résultat peut être évalué avec précision.

Il peut s'agir d'une investigation récurrente sur les médias défavorables, d'une divergence sur les bénéficiaires effectifs, ou d'une autre catégorie de revue pour laquelle l'équipe connaît déjà les exigences de preuve et ce qui constitue une résolution satisfaisante.

Un problème restreint offre un meilleur environnement de test, car les limites peuvent être explicitées : les preuves que l'agent peut utiliser, les conditions dans lesquelles un dossier peut avancer, ce qui doit déclencher une investigation supplémentaire, et le moment où l'incertitude doit renvoyer le dossier à un réviseur.

Faire fonctionner l'agent en parallèle du processus existant permet ensuite de comparer bien plus que les résultats finaux. La sélection des preuves, la cohérence, le comportement d'escalade et la qualité de la prochaine action peuvent tous être évalués directement.

Un premier cas d'usage réussi apporte donc plus qu'un workflow automatisé. Il fournit à l'équipe des preuves empiriques sur les situations où l'investigation agentique est fiable dans son propre environnement opérationnel, sur les contrôles à mettre en place autour d'elle, et sur le cas d'usage voisin qu'il est judicieux d'aborder ensuite.

Avec le temps, ces capacités peuvent commencer à se connecter. Le résultat d'une investigation sur l'actionnariat peut éclairer une décision de filtrage ultérieure ; un agent de contrôle d'exhaustivité des demandes peut éliminer des lacunes évitables avant la revue en aval ; un agent de recherche peut résoudre un problème avant même que le dossier n'entre dans la file d'un analyste.

Un parcours KYB plus agentique peut émerger de cette progression, chaque capacité gagnant sa place grâce à un cas d'usage d'abord circonscrit et mesurable.

Pour les équipes qui cherchent à prendre de l'avance sur la complexité croissante du KYB, la question la plus durable est de savoir où l'abondance de preuves génère encore un coût de résolution disproportionné, et si un agent peut réduire cette charge de façon fiable.