Benchmark Finance Agentic AI: FinRobot vs FinRL vs FinGPT

79 % des cadres déclarent que leurs entreprises ont commencé à adopter des agents d'IA, mais seulement 34 % les utilisent actuellement en comptabilité et en finance.¹

Nous réalisons un benchmark sur 3 outils de finance agentic AI adaptés aux flux de travail financiers. Les résultats suggèrent que

• FinGPT semble mieux adapté à l'analyse des états financiers,
• FinRobot montre une force relative dans les tâches d'évaluation, et
• FinRL a sous-performé dans les deux domaines appliqués, malgré une correspondance avec les autres en matière de finance conceptuelle.

Cet article présente les résultats du benchmark ainsi que des cas d'utilisation et des défis de mise en œuvre.

Benchmark de la finance agentic

Résultats

Les résultats mettent en évidence plusieurs tendances importantes :

• Connaissances conceptuelles : Les trois outils ont obtenu des résultats équivalents (88 %), suggérant une solide connaissance fondamentale de la finance sur toutes les plateformes.
• Analyse des états financiers : Une variation significative a été observée. FinGPT a obtenu le score le plus élevé (86 %), tandis que FinRL a considérablement pris du retard (29 %). Cela suggère que FinGPT possède des capacités plus solides pour traiter les données financières tabulaires et les calculs basés sur la comptabilité.
• Évaluation : FinRobot a surpassé les autres (75 %), indiquant de meilleures performances dans l'application de modèles de finance quantitative tels que l'actualisation des dividendes et la tarification des obligations. En revanche, FinRL a montré des capacités limitées dans ce domaine (25 %).
• Performance moyenne : FinGPT a obtenu le score global le plus élevé (79 %), suivi de FinRobot (74 %). FinRL a été moins cohérent, avec un score total de 53 %.

D'un point de vue opérationnel et organisationnel :

• FinGPT:² Avec ses solides performances dans l'analyse des états financiers (86 %), FinGPT est bien adapté aux flux de travail impliquant des fonctions de reporting, de comptabilité et de contrôle de gestion. Il peut aider les équipes financières dans l'analyse des écarts budgétaires, les rapports trimestriels et les diagnostics de santé financière, ce qui en fait un bon choix pour les équipes de finance d'entreprise et de comptabilité.
• FinRobot:³ En démontrant une précision supérieure dans les tâches d'évaluation (75 %), FinRobot est plus applicable à l'analyse d'investissement, à la recherche en actions et aux flux de travail de développement d'entreprise. Il peut soutenir les équipes dans les évaluations de fusions-acquisitions, la budgétisation du capital et la prise de décision d'investissement, ce qui le rend précieux pour les banques d'investissement, la stratégie et les équipes de planification et d'analyse financières (FP&A).
• FinRL:⁴ Bien que FinRL ait pris du retard dans les tâches de finance appliquée, sa performance égale en connaissances conceptuelles (88 %) indique un potentiel en tant qu'outil de formation, d'éducation ou de soutien à la décision. Il pourrait mieux convenir à un usage académique, à des programmes de formation en finance ou à des équipes explorant des approches d'apprentissage par renforcement dans des contextes expérimentaux, plutôt qu'à une analyse financière directe.

Méthodologie

Pour évaluer l'efficacité des outils agentic AI en finance, trois plateformes, FinRobot, FinGPT et FinRL, ont été testées. Le benchmark comprenait 9 questions de finance structurées couvrant une gamme de domaines :

• Connaissances financières conceptuelles/théoriques – Questions évaluant la compréhension des concepts fondamentaux de la finance, tels que la budgétisation du capital, les décisions de financement et les implications sur les flux de trésorerie.
• Analyse des états financiers – Exercices nécessitant des calculs et des interprétations basés sur les comptes de résultat et les bilans, y compris le fonds de roulement net, la valeur comptable par rapport à la valeur de marché, et des indicateurs de performance tels que l'EVA, le ROC et le ROE.
• Évaluation – Questions d'évaluation des actions et des obligations, y compris les modèles d'actualisation des dividendes, la valeur temporelle de l'argent et la tarification des obligations selon différentes notations de crédit.

Performance moyenne – Une note moyenne pondérée a été calculée sur les trois catégories, avec des pondérations attribuées en fonction du nombre d'étapes nécessaires pour résoudre les questions. Les moyennes pondérées ont permis des comparaisons plus claires entre les outils et ont servi de base aux résultats globaux du benchmark.

Pour assurer un environnement de test standardisé pour tous les outils :

• Les connexions ont été établies avec GPT-3.5 turbo via l'OpenRouter API.
• Chaque outil a reçu le même ensemble de questions.
• Les réponses ont ensuite été évaluées pour leur exactitude, leur exhaustivité et la correction du raisonnement financier. Une marge d'erreur de 1 % a été appliquée lors de l'évaluation des réponses numériques pour tenir compte des légères différences d'arrondi.

Les scores ont été agrégés pour fournir des résultats de performance au niveau de la catégorie et globaux.

Raisons potentielles des différences de performance du benchmark

Les résultats du benchmark reflètent des différences de focalisation des tâches plutôt que des lacunes dans les connaissances financières de base. Les trois outils ont obtenu des scores identiques en finance conceptuelle (88 %), indiquant une compréhension fondamentale comparable.

La performance a divergé dans les tâches appliquées. FinGPT a obtenu le score le plus élevé dans l'analyse des états financiers (86 %), ce qui correspond à sa meilleure gestion des calculs orientés comptabilité et des données financières tabulaires. FinRobot a obtenu les meilleurs résultats en évaluation (75 %), suggérant une application plus efficace de modèles de finance quantitative tels que l'actualisation des flux de trésorerie et la tarification des obligations. FinRL a sous-performé dans les deux catégories appliquées, malgré une correspondance conceptuelle avec les autres, indiquant une exécution plus faible dans les tâches financières lourdes en calcul et multi-étapes.

Les différences globales sont dues à la manière dont chaque outil traduit les connaissances conceptuelles partagées en raisonnement financier appliqué, en particulier pour l'analyse comptable par rapport aux flux de travail axés sur l'évaluation.

Comment les systèmes agentic AI sont utilisés dans les opérations financières

L'IA agentic façonne de plus en plus les opérations financières en automatisant la prise de décision et en améliorant l'efficacité. Ces systèmes intelligents sont utilisés dans la banque, la finance d'entreprise et les marchés de capitaux pour répondre aux défis opérationnels, gérer les risques et améliorer le service client.

Source : PwC⁵

1. Détection de la fraude et gestion des risques

Cas d'utilisation : Surveillance des transactions et des comportements en temps réel.

Avantage : Détecte instantanément les activités suspectes, réduisant les pertes financières potentielles.

Transformation : Les agents analysent continuellement les transactions, signalent les anomalies et prennent des mesures immédiates telles que la suspension de comptes ou la notification des équipes de conformité. Cela comble le fossé entre la détection et la réponse, passant d'une gestion des risques réactive à proactive.

2. Évaluation du crédit et octroi de prêts

Cas d'utilisation : Évaluation de la solvabilité des emprunteurs et ajustement des critères de prêt.

Avantage : Améliore la précision et l'inclusivité des décisions de prêt.

Transformation : Les agents d'IA analysent les indicateurs financiers en temps réel et ajustent dynamiquement les évaluations. Cela permet aux équipes d'accorder du crédit plus efficacement tout en maintenant le contrôle des risques.

3. Automatisation de la conformité et surveillance réglementaire

Cas d'utilisation : Assurer le respect des politiques, des réglementations et des contrôles internes.

Avantage : Réduit les erreurs de conformité et soutient la préparation aux audits.

Transformation : Les agents valident automatiquement les documents, vérifient les listes réglementaires et maintiennent des pistes d'audit continues. Les mises à jour des règles se propagent instantanément, rendant la conformité proactive plutôt que réactive.

4. Analyse financière et comptabilité

Cas d'utilisation : Reconnaissance des revenus, gestion des dépenses et reporting.

Avantage : Augmente la précision des rapports et réduit l'effort manuel.

Transformation : L'IA agentic consolide les données, identifie les écarts et génère des rapports prêts pour l'audit. Elle surveille continuellement les transactions et les contrats, permettant des flux de travail comptables plus rapides et plus fiables.

5. Gestion de la liquidité et du portefeuille

Cas d'utilisation : Gestion des flux de trésorerie, réallocation du capital et rééquilibrage des portefeuilles.

Avantage : Améliore l'efficacité opérationnelle et la rapidité de décision.

Transformation : Les agents d'IA surveillent les positions de trésorerie, les conditions de marché et les seuils d'exposition en temps réel. Ils peuvent initier des transferts internes, rééquilibrer les actifs ou escalader les exceptions immédiatement, remplaçant les processus par lots lents par une action continue et pilotée par les données.

6. Traitement intelligent des documents (IDP)

Cas d'utilisation : Extraction d'informations à partir de textes non structurés tels que les contrats, les déclarations et les actualités.

Avantage : Accélère la prise de décision et réduit le risque de manquer des informations critiques.

Transformation : Les agents d'IA classent, résument et récupèrent automatiquement les données pertinentes, permettant des recommandations d'investissement et des décisions opérationnelles plus rapides sans révision manuelle des documents.

7. Automatisation du service client

Cas d'utilisation : Traitement des demandes, traitement des formulaires et soutien à la gestion de compte.

Avantage : Réduit les coûts opérationnels, assure une disponibilité 24/7 et minimise les erreurs humaines.

Transformation : L'IA agentic trie automatiquement les demandes, escalade les cas complexes avec un contexte complet et fournit des conseils personnalisés. Les employés peuvent se concentrer sur des tâches complexes à haute valeur ajoutée et basées sur le jugement plutôt que sur le traitement de routine.

6 défis de l'IA agentic dans les services financiers

L'IA agentic apporte des capacités puissantes à la finance, mais elle introduit également de nouveaux risques et complexités. Les systèmes autonomes ne suppriment pas la responsabilité, ils modifient la manière et l'endroit où elle doit être gérée.

Vie privée et sécurité

Les agents d'IA traitent des données financières et personnelles sensibles. Ils doivent respecter des règles de confidentialité strictes, telles que le RGPD et le CCPA. Des permissions claires, un chiffrement et une gestion sécurisée des données sont essentiels. L'autonomie ne signifie pas absence de gouvernance. Une sécurité faible peut mettre à la fois la banque et les clients en danger.

Surveillance humaine

Déléguer des tâches de routine à l'IA modifie la responsabilité plutôt que de la supprimer. Les équipes humaines doivent superviser les exceptions, examiner les préoccupations éthiques et affiner les politiques. L'IA fonctionne mieux lorsque les voies d'escalade sont claires et que la responsabilité est définie.

Biais et explicabilité

L'IA apprend à partir de données historiques. Si ces données sont biaisées ou incomplètes, les décisions de l'IA peuvent être injustes. Les banques devraient :

• Utiliser des ensembles de données diversifiés et représentatifs.
• Mettre en œuvre des modèles d'IA explicables capables de justifier les décisions.
• Réaliser des audits réguliers et des tests d'équité.

Des journaux de décision transparents et un comportement prévisible sont essentiels pour la confiance.

Conformité réglementaire

L'IA agentic soulève de nouvelles questions de conformité :

• Qui est responsable des décisions autonomes ?
• Le système peut-il expliquer pourquoi il a agi d'une certaine manière ?
• Comment la banque peut-elle démontrer la conformité lorsque l'IA prend la tête ?

Dans l'Union européenne, la loi sur l'IA de l'UE (Règlement (UE) 2021/0106) impose des exigences strictes pour les systèmes d'IA à haut risque, y compris ceux utilisés dans la finance.⁶ Les banques doivent s'assurer que les systèmes d'IA sont traçables, auditables et responsables. Cela inclut la maintenance de journaux détaillés des décisions, la réalisation d'évaluations des risques et la démonstration qu'une intervention humaine existe pour les processus critiques.

Dans les États-Unis, il n'existe pas encore de loi unique et complète sur l'IA. Cependant, les banques doivent suivre les directives de plusieurs autorités :

• L'Office of the Comptroller of the Currency (OCC) et la Réserve fédérale fournissent des attentes en matière de validation des modèles et de gouvernance pour l'IA dans la banque.⁷
• Le cadre de gestion des risques de l'IA du NIST offre des conseils volontaires sur la fiabilité, la responsabilité et l'évaluation des risques de l'IA.⁸

Maintenir un modèle « humain dans la boucle » pour les décisions critiques et conserver des dossiers détaillés aide à répondre à ces exigences réglementaires. Rester à jour avec les lois en évolution est essentiel pour une utilisation sûre et conforme de l'IA agentic.

Les systèmes d'identité bancaires actuels supposent uniquement des acteurs humains, laissant les agents d'IA dans un angle mort. Les processus KYC vérifient les identités humaines ; aucun cadre équivalent n'existe pour les agents d'IA.⁹ Par conséquent, un assistant IA ayant accès aux transactions pourrait être cloné par un attaquant et exécuter des transactions ou des transferts tout en apparaissant légitime dans les journaux d'audit. L'IAM traditionnel repose sur des sessions à utilisateur unique et des droits fixes, qui échouent lorsque les agents d'IA enchaînent des tâches de manière autonome.¹⁰ Cette incompatibilité crée des lacunes de responsabilité : il peut devenir flou quel agent a initié une transaction ou si une personne l'a approuvée, nécessitant de nouveaux mécanismes d'audit.

Les systèmes d'IA à haut risque au titre de la loi sur l'IA de l'UE (par exemple, certains algorithmes de crédit ou de fraude) nécessitent une documentation détaillée, une surveillance et une transparence envers l'utilisateur.¹¹ Les violations de la loi sur l'IA peuvent entraîner des amendes allant jusqu'à 35 millions d'euros (ou 7 % du chiffre d'affaires mondial).¹² Les banques doivent équilibrer ces coûts de conformité avec les avantages de l'automatisation.

Changement organisationnel et culturel

L'IA modifie les rôles des équipes et peut provoquer un changement culturel. Les employés qui géraient des tâches répétitives ou la saisie de données peuvent devoir guider, surveiller ou former des agents d'IA. Les organisations devraient fournir une reconversion, des définitions de rôle claires et un soutien continu.

Gouvernance et gestion des risques

Une gouvernance solide est essentielle pour une IA sûre et évolutive. Cela inclut :

• Protection des données et contrôles de confidentialité
• Surveillance éthique et supervision humaine
• Suivi continu des biais et des erreurs
• Structures de responsabilité claires

Lorsqu'elles sont abordées délibérément, ces mesures permettent aux institutions financières de tirer efficacement parti de l'IA agentic tout en minimisant les risques.

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

FAQ

Lectures complémentaires

• Principales plateformes de recherche financière en IA pour les investisseurs
• Outils Excel IA pour booster la productivité
• Trading d'actions basé sur l'IA : Quel outil de Gen AI est le meilleur

Citez ce benchmark

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{phd2026,
  author = {PhD., Ezgi Arslan,},
  title  = {{Benchmark Finance Agentic AI: FinRobot vs FinRL vs FinGPT}},
  year   = {2026},
  month  = apr,
  howpublished    = {\url{https://aimultiple.com/agentic-ai-finance}},
  note   = {AIMultiple. Consulté le 3 Avril 2026}
}

Liens de référence

1.

AI agent survey: PwC

2.

[2306.06031] FinGPT: Open-Source Financial Large Language Models

3.

[2411.08804] FinRobot: AI Agent for Equity Research and Valuation with Large Language Models

4.

[2111.09395] FinRL: Deep Reinforcement Learning Framework to Automate Trading in Quantitative Finance

5.

AI agents for finance: PwC

6.

EU Artificial Intelligence Act | Up-to-date developments and analyses of the EU AI Act

7.

OCC Issues Updated Model Risk Management Guidance | OCC

8.

AI Risk Management Framework | NIST

9.

Know Your Machines: AI Agents and the Rising Insider Threat in Banking and Crypto

10.

Why AI Agents Need Adaptive Identity, Not An IAM Overhaul

Forbes

11.

EU AI Act Penalties: Up to €35 Million in Fines Are Now Enforceable | Protectron.ai

12.

EU AI Act Penalties: Up to €35 Million in Fines Are Now Enforceable | Protectron.ai

Ezgi Arslan, PhD.

Analyste du secteur

Suivre

Ezgi est titulaire d'un doctorat en administration des affaires, spécialisée en finance, et travaille comme analyste sectorielle chez AIMultiple. Elle mène des recherches et produit des analyses à l'intersection de la technologie et du commerce, et son expertise couvre le développement durable, les enquêtes et l'analyse des sentiments, les applications d'agents d'IA en finance, l'optimisation des moteurs de réponse, la gestion des pare-feu et les technologies d'approvisionnement.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire