Blog

Les entreprises de services financiers ont des besoins uniques en matière d’IA commerciale. Ils opèrent dans l’un des secteurs les plus réglementés tout en répondant à des événements extérieurs qui s’actualisent à chaque seconde. En conséquence, le succès de l’IA agentique dans les services financiers dépend moins de la sophistication du système que de la qualité, de la sécurité et de l’accessibilité des données sur lesquelles il s’appuie. 

“Tout commence par les données”, déclare Steve Mayzak, directeur général mondial de Search AI chez Elastic.

L’IA agentique (des systèmes capables de planifier et de prendre des mesures de manière indépendante pour accomplir des tâches, plutôt que de simplement générer des réponses) présente un énorme potentiel pour les services financiers en raison de sa capacité à intégrer des données en temps réel et à optimiser des flux de travail complexes. Gartner a constaté que plus de la moitié des équipes de services financiers ont déjà mis en œuvre ou prévoient de mettre en œuvre l’IA agentique. 

Cependant, l’introduction de l’IA autonome dans toute organisation amplifie à la fois les forces et les faiblesses des données sous-jacentes qu’elle utilise. Pour déployer l’IA agentique avec rapidité, confiance et contrôle, les entreprises de services financiers doivent d’abord être capables de rechercher, sécuriser et contextualiser leurs données à grande échelle. « L’IA agentique amplifie le maillon le plus faible de la chaîne : la disponibilité et la qualité des données », explique Mayzak. “Et vos systèmes ne valent que ce que leur maillon le plus faible.”

Les sociétés de services financiers ont donc besoin d’un magasin de données fiable et centralisé, facile d’accès, fiable et pouvant être géré à grande échelle.

Les enjeux élevés d’une information de qualité

La réglementation du secteur des services financiers exige un degré élevé de responsabilité pour tous les outils de données. Comme le dit Mayzak : « Vous ne pouvez pas vous contenter d’expliquer d’où viennent les données et en quoi elles ont été transformées : « Voici les données qui sont entrées, et voici ce qui est ressorti ». Vous avez besoin d’un moyen vérifiable et gouvernable pour expliquer quelles informations le modèle a été trouvé et la logique selon laquelle ces données étaient appropriées pour l’étape suivante. Autrement dit, vous devez être capable de voir, comprendre et décrire les processus sous-jacents.

Dans le même temps, les sociétés de services financiers ont besoin de rapidité et de précision afin de répondre aux attentes des clients et de garder une longueur d’avance sur la concurrence. Les marchés évoluent continuellement, et les risques et opportunités évoluent avec eux. Si un modèle d’IA peut analyser le langage naturel (données non structurées) provenant de sources complexes, en plus des données structurées dans des feuilles de calcul plus faciles à analyser, cela donne aux utilisateurs des informations plus pertinentes. 

Dans cet environnement, il n’y a aucune tolérance à l’erreur, y compris aux hallucinations qui ont tourmenté les premiers efforts d’IA. Les systèmes d’IA agentique dépendent d’un accès rapide à des données de haute qualité, bien gouvernées, sécurisées et accessibles. Dans les services financiers, ces données couvrent les transactions, les interactions avec les clients, les signaux de risque, les politiques et le contexte historique. La tâche consistant à préparer ces données pour l’IA ne doit pas être sous-estimée. “Le langage naturel est bien plus compliqué que les données structurées, ce qui rend le processus d’organisation et de nettoyage d’autant plus important et aussi d’autant plus difficile”, explique Mayzak.

Les données doivent être bien indexées et consolidées sur différents sites, et non enfermées dans les silos de systèmes distincts au sein de l’organisation. Autrement, les agents d’IA sont à la traîne, fournissent des réponses incohérentes et produisent des décisions plus difficiles à retracer et à expliquer, minant ainsi la confiance des régulateurs, des clients et des parties prenantes internes. 

Comme le dit Mayzak : “Il existe de nombreuses façons différentes de décrire comment exécuter une transaction dans une banque. Dans un monde géré par des agents, nous avons besoin que ces descriptions soient déterministes, pour donner les mêmes résultats à chaque fois. Pourtant, nous nous appuyons sur des modèles puissants mais non déterministes. C’est incroyablement délicat, mais pas impossible.”

Pour une société de services financiers, gérer cela peut s’avérer très difficile. Une étude Forrester a révélé que 57 % des organisations financières développent encore les outils nécessaires capacités internes pour exploiter pleinement l’IA agentique. «Les données existent sous de nombreux formats différents, créés au cours de l’histoire d’une banque», explique Mayzak. “Prenons n’importe quelle banque qui existe depuis 50 ans : elle peut avoir 60 types de PDF différents pour exactement la même chose. Et en même temps, nous voulons que les résultats de ces systèmes soient précis à 100 %. Dans de nombreux cas, il n’y a pas de “assez bon”. ” Autrement dit, les entreprises doivent le faire correctement, et du premier coup.

Recherche et sécurisation des résultats 

Une plate-forme de recherche efficace est essentielle pour résoudre le problème des données fragmentées, mal indexées et inaccessibles. Les entreprises de services financiers qui peuvent facilement passer au crible leurs données structurées et non structurées, les sécuriser et les appliquer dans le bon contexte tireront le meilleur parti de l’IA agentique. Cela nécessite souvent de concevoir des systèmes d’IA en gardant à l’esprit l’accès aux données et leur utilité afin qu’ils puissent travailler plus rapidement et produire des résultats plus précis, tout en réduisant les risques. “La recherche est la technologie fondamentale qui rend l’IA précise et fondée sur des données réelles”, explique Mayzak. “Les plates-formes de recherche sont devenues les magasins de contexte et de mémoire faisant autorité qui alimenteront cette révolution de l’IA.”

Une fois en place, ces recherches améliorées par l’IA et ces systèmes autonomes peuvent servir aux sociétés de services financiers à diverses fins. Lors de la surveillance de l’exposition des clients, l’IA agentique peut analyser en permanence les transactions, les signaux du marché et les données externes pour détecter les risques émergents ; Les plateformes peuvent alors automatiquement signaler ou faire remonter les problèmes en temps réel. Dans le cadre de la surveillance des échanges, les agents d’IA peuvent examiner les flux de travail commerciaux, identifier les écarts entre différents formats et résoudre les exceptions étape par étape avec une intervention humaine minimale. Dans le domaine des rapports réglementaires, l’IA peut collecter des données sur tous les systèmes, générer les rapports requis et suivre la manière dont chaque résultat a été produit. Ces applications d’IA permettent de gagner du temps tout en répondant aux besoins d’audit et de conformité en étant traçables et explicables.

Bien que de telles fonctionnalités existent déjà, elles sont souvent manuelles, fragmentées et difficiles à faire évoluer. L’IA agentique permet aux organisations financières d’évoluer vers des processus plus automatisés, efficaces et évolutifs tout en conservant la précision et la transparence requises dans leur environnement hautement réglementé. Comme le dit Mayzak : « Ce n’est pas si différent de la façon dont les humains opèrent aujourd’hui, ils le font simplement à un rythme beaucoup plus rapide et à grande échelle. » 

Créer un écosystème d’IA agentique

Lancer l’IA agentique peut s’avérer intimidant, surtout si d’autres projets d’IA sont au point mort en interne. La recommandation de Mayzak est de choisir un cas d’utilisation gérable et de lui permettre de se développer au fil du temps. «Le succès peut s’appuyer sur le succès», dit-il. “Alors que les entreprises visent à automatiser un processus commercial en 70 étapes, elles découvrent qu’il faut commencer quelque part. Ce qui fonctionne sur le marché, c’est s’attaquer au problème une étape à la fois. Une fois que vous avez réussi la première étape, vous pouvez alors passer à l’étape suivante, et à la suivante.” 

Les organisations de services financiers qui domineront parmi leurs pairs seront celles qui intègrent l’IA agentique dans un écosystème plus large comprenant des contrôles de sécurité stricts, une bonne gouvernance des données et une gestion efficace des performances du système. Comme le dit Mayzak : « Bien faire cela créera une boucle de rétroaction de l’IA, dans laquelle les dirigeants recevront de nouveaux signaux de ces systèmes pour évaluer l’efficacité de leurs investissements et générer des informations fiables et exploitables. » En itérant sur des projets pilotes et en s’améliorant continuellement, les entreprises construiront des systèmes agentiques qui pourront être mesurés, gérés et mis à l’échelle. Cela transformera l’IA agentique en un avantage concurrentiel durable.

Découvrez comment Elastic prend en charge les services financiers.

Ce contenu a été produit par Insights, la branche de contenu personnalisé du MIT Technology Review. Il n’a pas été rédigé par l’équipe éditoriale du MIT Technology Review. Il a été recherché, conçu et écrit par des écrivains, éditeurs, analystes et illustrateurs humains. Cela comprend la rédaction d’enquêtes et la collecte de données pour les enquêtes. Les outils d’IA qui ont pu être utilisés étaient limités aux processus de production secondaires qui ont passé un examen humain approfondi.

Accéder à la source d’origine

Finanzdienstleistungsunternehmen haben besondere Anforderungen an Business-KI. Sie sind in einem der am stärksten regulierten Sektoren tätig und reagieren gleichzeitig auf externe Ereignisse, die sich von Sekunde zu Sekunde ändern. Daher hängt der Erfolg der Agenten-KI im Finanzdienstleistungsbereich weniger von der Ausgereiftheit des Systems als vielmehr von der Qualität, Sicherheit und Zugänglichkeit der Daten ab, auf die es sich stützt. 

„Alles beginnt mit den Daten“, sagt Steve Mayzak, globaler Geschäftsführer von Search AI bei Elastic.

Agentische KI – Systeme, die selbstständig Maßnahmen zur Erledigung von Aufgaben planen und ergreifen können, anstatt nur Antworten zu generieren – birgt aufgrund ihrer Fähigkeit, Echtzeitdaten zu integrieren und komplexe Arbeitsabläufe zu optimieren, ein enormes Potenzial für Finanzdienstleistungen. Um agentische KI schnell, sicher und kontrolliert einzusetzen müssen Finanzdienstleistungsunternehmen zunächst in der Lage sein, ihre Daten in großem Maßstab zu durchsuchen, zu sichern und zu kontextualisieren. „Agentische KI verstärkt das schwächste Glied in der Kette: Datenverfügbarkeit und -qualität“, sagt Mayzak. „Und Ihre Systeme sind nur so gut wie ihr schwächstes Glied.“

Finanzdienstleistungsunternehmen benötigen daher einen vertrauenswürdigen und zentralen Datenspeicher, der leicht zugänglich, zuverlässig und skalierbar ist.

Der hohe Stellenwert qualitativ hochwertiger Informationen

Die Regulierung im Finanzdienstleistungssektor erfordert ein hohes Maß an Rechenschaftspflicht für alle Datentools. Wie Mayzak sagt: „Man kann sich nicht damit begnügen, zu erklären, woher die Daten stammen und in was sie umgewandelt wurden: ‚Hier sind die Daten, die eingegangen sind, und diese sind, was herausgekommen ist‘. Sie benötigen eine überprüfbare und kontrollierbare Möglichkeit, zu erklären, welche Informationen das Modell gefunden hat und welche Logik dafür verantwortlich ist, warum diese Daten für den nächsten Schritt geeignet waren.“ Das heißt, Sie müssen in der Lage sein, die zugrunde liegenden Prozesse zu sehen, zu verstehen und zu beschreiben.

Gleichzeitig benötigen Finanzdienstleistungsunternehmen Schnelligkeit und Genauigkeit, um die Erwartungen der Kunden zu erfüllen und der Konkurrenz einen Schritt voraus zu sein. Märkte verändern sich ständig und Risiken und Chancen verändern sich mit ihnen. Wenn ein KI-Modell neben strukturierten Daten in Tabellenkalkulationen, die leichter zu analysieren sind, auch natürliche Sprache (unstrukturierte Daten) aus komplexen Quellen analysieren kann, erhält der Benutzer relevantere Informationen. 

In diesem Umfeld gibt es keine Fehlertoleranz, einschließlich der Halluzinationen, die die frühen KI-Bemühungen plagten. Agentische KI-Systeme sind auf einen schnellen Zugriff auf hochwertige, gut verwaltete Daten angewiesen, die sicher und zugänglich sind. Bei Finanzdienstleistungen umfassen diese Daten Transaktionen, Kundeninteraktionen, Risikosignale, Richtlinien und historischen Kontext. Die Aufgabe, diese Daten für die KI aufzubereiten, sollte nicht unterschätzt werden. „Natürliche Sprache ist viel chaotischer als strukturierte Daten, und das macht den Prozess der Organisation und Bereinigung umso wichtiger und auch viel schwieriger“, sagt Mayzak.

Die Daten müssen gut indiziert und über verschiedene Standorte hinweg konsolidiert sein und dürfen nicht in den Silos separater Systeme im gesamten Unternehmen eingeschlossen sein. Andernfalls bleiben KI-Agenten zurück, liefern inkonsistente Antworten und treffen Entscheidungen, die schwerer nachzuvollziehen und zu erklären sind, was das Vertrauen von Regulierungsbehörden, Kunden und internen Interessengruppen untergräbt. 

Wie Mayzak sagt: „Es gibt viele verschiedene Möglichkeiten, die Ausführung eines Handels bei einer Bank zu beschreiben. In einer von Agenten gesteuerten Welt müssen diese Beschreibungen deterministisch sein – um jedes Mal die gleichen Ergebnisse zu liefern. Dennoch bauen wir auf leistungsstarken, aber nicht deterministischen Modellen auf. Das ist unglaublich schwierig, aber nicht unmöglich.“

Für ein Finanzdienstleistungsunternehmen kann die Bewältigung dieses Problems eine große Herausforderung darstellen. Eine Forrester-Studie ergab, dass 57 % der Finanzorganisationen immer noch die notwendigen internen Maßnahmen entwickeln Funktionen zur vollständigen Nutzung der Agenten-KI. „Die Daten liegen in vielen verschiedenen Formaten vor, die im Laufe der Geschichte einer Bank entstanden sind“, sagt Mayzak. „Nehmen Sie eine Bank, die es schon seit 50 Jahren gibt: Sie könnte 60 verschiedene Arten von PDFs für genau dasselbe haben. Und gleichzeitig wollen wir, dass die Ausgabe dieser Systeme 100 % genau ist. In vielen Fällen gibt es kein ‚gut genug‘.“ Das heißt, Unternehmen müssen es gleich beim ersten Mal richtig machen.

Ergebnisse suchen und sichern 

Eine effektive Suchplattform ist der Schlüssel zur Lösung des Problems fragmentierter, schlecht indizierter und unzugänglicher Daten. Finanzdienstleistungsunternehmen, die ihre strukturierten und unstrukturierten Daten problemlos durchsuchen, sicher aufbewahren und im richtigen Kontext anwenden können, werden den größten Nutzen aus der Agenten-KI ziehen. Dies erfordert häufig die Entwicklung von KI-Systemen unter Berücksichtigung von Datenzugriff und -nutzen, damit sie schneller arbeiten und genauere Ergebnisse liefern sowie Risiken reduzieren können. „Die Suche ist die grundlegende Technologie, die KI präzise und auf echten Daten basierend macht“, sagt Mayzak. „Suchplattformen sind zu maßgeblichen Kontext- und Speicherspeichern geworden, die diese KI-Revolution vorantreiben werden.“

Sobald diese KI-gestützten Suchvorgänge und autonomen Systeme eingerichtet sind, können sie Finanzdienstleistungsunternehmen für eine Reihe von Zwecken dienen. Bei der Überwachung der Kundenexposition kann die Agenten-KI kontinuierlich Transaktionen, Marktsignale und externe Daten scannen, um aufkommende Risiken zu erkennen; Plattformen können dann Probleme automatisch in Echtzeit melden oder eskalieren. Bei der Handelsüberwachung können KI-Agenten Handelsabläufe überprüfen, Diskrepanzen zwischen verschiedenen Formaten identifizieren und Ausnahmen Schritt für Schritt mit minimalem menschlichen Eingriff beheben. Bei der regulatorischen Berichterstattung kann KI Daten aus verschiedenen Systemen sammeln, erforderliche Berichte erstellen und verfolgen, wie die einzelnen Ergebnisse erzeugt wurden. Diese KI-Anwendungen sparen Zeit und unterstützen gleichzeitig Audit- und Compliance-Anforderungen, indem sie nachvollziehbar und erklärbar sind.

Obwohl solche Funktionen bereits vorhanden sind, sind sie oft manuell, fragmentiert und schwer zu skalieren. Agentic AI ermöglicht es Finanzorganisationen, auf automatisiertere, effizientere und skalierbarere Prozesse umzusteigen und gleichzeitig die Genauigkeit und Transparenz beizubehalten, die in ihrer stark regulierten Umgebung erforderlich sind. Wie Mayzak sagt: „Es unterscheidet sich nicht wesentlich von der Art und Weise, wie Menschen heute agieren, es wird nur viel schneller und in größerem Umfang durchgeführt.“ 

Aufbau eines Agenten-KI-Ökosystems

Die Einführung einer Agenten-KI kann entmutigend sein, insbesondere wenn andere KI-Projekte intern ins Stocken geraten sind. Mayzaks Empfehlung besteht darin, einen überschaubaren Anwendungsfall auszuwählen und ihn mit der Zeit wachsen zu lassen. „Erfolg kann auf Erfolg aufbauen“, sagt er. „Während Unternehmen möglicherweise darauf abzielen, einen 70-stufigen Geschäftsprozess zu automatisieren, stellen sie fest, dass man irgendwo anfangen muss. Was auf dem Markt funktioniert, ist, das Problem Schritt für Schritt anzugehen. Wenn der erste Schritt funktioniert, können Sie den nächsten und den nächsten Schritt machen.“ 

Die Finanzdienstleistungsunternehmen, die unter ihren Mitbewerbern führend sind, werden diejenigen sein, die Agenten-KI in ein breiteres Ökosystem integrieren, das starke Sicherheitskontrollen, gute Datenverwaltung und ein effektives Management der Systemleistung umfasst. Wie Mayzak sagt: „Wenn dies gut gemacht wird, entsteht eine KI-Feedbackschleife, in der Führungskräfte neue Signale von diesen Systemen erhalten, um die Wirksamkeit ihrer Investitionen zu bewerten und zuverlässige, umsetzbare Erkenntnisse zu gewinnen.“ Durch die Iteration von Pilotprojekten und die kontinuierliche Verbesserung werden Unternehmen Agentensysteme aufbauen, die gemessen, verwaltet und skaliert werden können. Dies wird die Agenten-KI in einen dauerhaften Wettbewerbsvorteil verwandeln.

Erfahren Sie mehr darüber, wie Elastic Finanzdienstleistungen unterstützt.

Dieser Inhalt wurde von Insights erstellt, dem Bereich für kundenspezifische Inhalte von MIT Technology Review. Es wurde nicht von der Redaktion des MIT Technology Review verfasst. Es wurde von menschlichen Autoren, Redakteuren, Analysten und Illustratoren recherchiert, entworfen und geschrieben. Dazu gehört das Verfassen von Umfragen und das Sammeln von Daten für Umfragen. Möglicherweise eingesetzte KI-Tools beschränkten sich auf sekundäre Produktionsprozesse, die einer gründlichen menschlichen Überprüfung unterzogen wurden.

Zur Originalquelle gehen

Financial services companies have unique needs when it comes to business AI. They operate in one of the most highly regulated sectors while responding to external events that are updated by the second. As a result, the success of agentic AI in financial services depends less on the sophistication of the system and more on the quality, security, and accessibility of the data it relies on. 

“It all starts with the data,” says Steve Mayzak, global managing director of Search AI at Elastic.

Agentic AI—systems that can independently plan and take actions to complete tasks, rather than simply generate responses—holds enormous potential for financial services due to its ability to incorporate real-time data and optimize complex workflows. Gartner has found that more than half of financial services teams have already implemented or plan to implement agentic AI. 

However, introducing autonomous AI into any organization magnifies both the strengths and weaknesses of the underlying data it uses. To deploy agentic AI with speed, confidence, and control, financial services companies must first be able to search, secure, and contextualize their data at scale. “Agentic AI amplifies the weakest link in the chain: data availability and quality,” says Mayzak. “And your systems are only as good as their weakest link.”

Financial services companies, therefore, require a trusted and centralized data store that is easy to access, dependable, and can be managed at scale.

The high stakes of quality information

Regulation in the financial services sector requires a high degree of accountability for all data tools. As Mayzak says, “You can’t just stop at explaining where the data came from and what it was transformed into: ‘Here’s the data that went in, and this is what came out.’ You need an auditable and governable way to explain what information the model was found and the logic of why that data was right for the next step.” That is, you need to be able to see, understand, and describe the underlying processes.

At the same time, financial services companies require speed and accuracy in order to meet customer expectations and stay ahead of competition. Markets are continually shifting, and risks and opportunities move along with them. If an AI model can parse natural language (unstructured data) from complex sources—in addition to structured data in spreadsheets that are easier to analyze—this gives users more relevant information. 

In this environment, there is no tolerance for error, including the hallucinations that plagued early AI efforts. Agentic AI systems depend on rapid access to high-quality, well-governed data that is secure and accessible. In financial services, that data spans transactions, customer interactions, risk signals, policies, and historical context. The task of preparing that data for AI should not be underestimated. “Natural language is way more messy than structured data, and that makes the process of organizing and cleaning it up that much more important and also that much harder,” says Mayzak.

The data must be well indexed and consolidated across different locations, not locked in the silos of separate systems across the organization. Otherwise, AI agents lag, provide inconsistent answers, and produce decisions that are harder to trace and explain, undermining confidence among regulators, customers, and internal stakeholders. 

As Mayzak says, “There are many different ways to describe how to execute a trade at a bank. In an agent-powered world, we need those descriptions to be deterministic—to give the same results every time. Yet we’re building on powerful but non-deterministic models. That’s incredibly tricky, but not impossible.”

For a financial services firm, managing this can be very challenging. A Forrester study found that 57% of financial organizations are still developing the necessary internal capabilities to fully leverage agentic AI. “The data exists in many different formats, created over the course of a bank’s history,” says Mayzak. “Take any bank that’s been around for 50 years: They might have 60 different types of PDFs for the exact same thing. And at the same time, we want the output of these systems to be 100% accurate. In many cases, there is no ‘good enough’.” That is, companies need to do it right, and the first time.

Searching and securing results 

An effective search platform is key to solving the problem of fragmented, poorly indexed, inaccessible data. Financial services companies that can readily sift through both their structured and unstructured data, keep it secure, and apply it in the right context will get the most value from agentic AI. This often requires designing AI systems with data access and utility in mind so they can work faster and yield more accurate results, as well as reduce risk. “Search is the foundational technology that makes AI accurate and grounded in real data,” Mayzak says. “Search platforms have become the authoritative context and memory stores that will power this AI revolution.”

Once in place, these AI-enhanced searches and autonomous systems can serve financial services companies for a range of purposes. When monitoring client exposure, agentic AI can continuously scan transactions, market signals, and external data to detect emerging risks; Platforms can then automatically flag or escalate issues in real time. In trade monitoring, AI agents can review trade workflows, identify discrepancies across different formats, and resolve exceptions step by step with minimal human intervention. In regulatory reporting, AI can gather data from across systems, generate required reports, and track how each output was produced. These applications of AI save time while supporting audit and compliance needs by being traceable and explainable.

Although such capabilities already exist, they are often manual, fragmented, and difficult to scale. Agentic AI allows financial organizations to move toward more automated, efficient, and scalable processes while maintaining the accuracy and transparency required in their highly regulated environment. As Mayzak says, “It’s not that different from how humans operate today, just done at a much faster pace and at scale.” 

Building an agentic AI ecosystem

Launching agentic AI can be daunting, especially if other AI ventures have stalled internally. Mayzak’s recommendation is to choose a manageable use case and allow it to grow over time. “Success can build on success,” he says. “While companies may aim to automate a 70-step business process, they are discovering that you have to start somewhere. What is working in the market is tackling the problem one step at a time. Once you get the first step working, then you can take the next step, and the next.” 

The financial services organizations that lead among their peers will be those that integrate agentic AI into a broader ecosystem that includes strong security controls, good data governance, and effective management of system performance. As Mayzak says, “Doing this well will create an AI feedback loop, where executives gain new signals from these systems to assess the effectiveness of their investments and generate reliable, actionable insights.” By iterating on pilots and continuously improving, companies will build agentic systems that can be measured, managed, and scaled. This will transform agentic AI into lasting competitive advantage.

Learn more about how Elastic supports financial services.

This content was produced by Insights, the custom content arm of MIT Technology Review. It was not written by MIT Technology Review’s editorial staff. It was researched, designed, and written by human writers, editors, analysts, and illustrators. This includes the writing of surveys and collection of data for surveys. AI tools that may have been used were limited to secondary production processes that passed thorough human review.

Go to Original Source

Financial services companies have unique needs when it comes to business AI. They operate in one of the most highly regulated sectors while responding to external events that are updated by the second. As a result, the success of agentic AI in financial services depends less on the sophistication of the system and more on the quality, security, and accessibility of the data it relies on. 

“It all starts with the data,” says Steve Mayzak, global managing director of Search AI at Elastic.

Agentic AI—systems that can independently plan and take actions to complete tasks, rather than simply generate responses—holds enormous potential for financial services due to its ability to incorporate real-time data and optimize complex workflows. Gartner has found that more than half of financial services teams have already implemented or plan to implement agentic AI. 

However, introducing autonomous AI into any organization magnifies both the strengths and weaknesses of the underlying data it uses. To deploy agentic AI with speed, confidence, and control, financial services companies must first be able to search, secure, and contextualize their data at scale. “Agentic AI amplifies the weakest link in the chain: data availability and quality,” says Mayzak. “And your systems are only as good as their weakest link.”

Financial services companies, therefore, require a trusted and centralized data store that is easy to access, dependable, and can be managed at scale.

The high stakes of quality information

Regulation in the financial services sector requires a high degree of accountability for all data tools. As Mayzak says, “You can’t just stop at explaining where the data came from and what it was transformed into: ‘Here’s the data that went in, and this is what came out.’ You need an auditable and governable way to explain what information the model found and the logic of why that data was right for the next step.” That is, you need to be able to see, understand, and describe the underlying processes.

At the same time, financial services companies require speed and accuracy in order to meet customer expectations and stay ahead of competition. Markets are continually shifting, and risks and opportunities move along with them. If an AI model can parse natural language (unstructured data) from complex sources—in addition to structured data in spreadsheets that are easier to analyze—this gives users more relevant information. 

In this environment, there is no tolerance for error, including the hallucinations that plagued early AI efforts. Agentic AI systems depend on rapid access to high-quality, well-governed data that is secure and accessible. In financial services, that data spans transactions, customer interactions, risk signals, policies, and historical context. The task of preparing that data for AI should not be underestimated. “Natural language is way more messy than structured data, and that makes the process of organizing and cleaning it up that much more important and also that much harder,” says Mayzak.

The data must be well indexed and consolidated across different locations, not locked in the silos of separate systems across the organization. Otherwise, AI agents lag, provide inconsistent answers, and produce decisions that are harder to trace and explain, undermining confidence among regulators, customers, and internal stakeholders. 

As Mayzak says, “There are many different ways to describe how to execute a trade at a bank. In an agent-powered world, we need those descriptions to be deterministic—to give the same results every time. Yet we’re building on powerful but non-deterministic models. That’s incredibly tricky, but not impossible.”

For a financial services firm, managing this can be very challenging. A Forrester study found that 57% of financial organizations are still developing the necessary internal capabilities to fully leverage agentic AI. “The data exists in many different formats, created over the course of a bank’s history,” says Mayzak. “Take any bank that’s been around for 50 years: They might have 60 different types of PDFs for the exact same thing. And at the same time, we want the output of these systems to be 100% accurate. In many cases, there is no ‘good enough’.” That is, companies need to do it right, and the first time.

Searching and securing results 

An effective search platform is key to solving the problem of fragmented, poorly indexed, inaccessible data. Financial services companies that can readily sift through both their structured and unstructured data, keep it secure, and apply it in the right context will get the most value from agentic AI. This often requires designing AI systems with data access and utility in mind so they can work faster and yield more accurate results, as well as reduce risk. “Search is the foundational technology that makes AI accurate and grounded in real data,” Mayzak says. “Search platforms have become the authoritative context and memory stores that will power this AI revolution.”

Once in place, these AI-enhanced searches and autonomous systems can serve financial services companies for a range of purposes. When monitoring client exposure, agentic AI can continuously scan transactions, market signals, and external data to detect emerging risks; platforms can then automatically flag or escalate issues in real time. In trade monitoring, AI agents can review trade workflows, identify discrepancies across different formats, and resolve exceptions step by step with minimal human intervention. In regulatory reporting, AI can gather data from across systems, generate required reports, and track how each output was produced. These applications of AI save time while supporting audit and compliance needs by being traceable and explainable.

Although such capabilities already exist, they are often manual, fragmented, and difficult to scale. Agentic AI allows financial organizations to move toward more automated, efficient, and scalable processes while maintaining the accuracy and transparency required in their highly regulated environment. As Mayzak says, “It’s not that different from how humans operate today, just done at a much faster pace and at scale.” 

Building an agentic AI ecosystem

Launching agentic AI can be daunting, especially if other AI ventures have stalled internally. Mayzak’s recommendation is to choose a manageable use case and allow it to grow over time. “Success can build on success,” he says. “While companies may aim to automate a 70-step business process, they are discovering that you have to start somewhere. What is working in the market is tackling the problem one step at a time. Once you get the first step working, then you can take the next step, and the next.” 

The financial services organizations that lead among their peers will be those that integrate agentic AI into a broader ecosystem that includes strong security controls, good data governance, and effective management of system performance. As Mayzak says, “Doing this well will create an AI feedback loop, where executives gain new signals from these systems to assess the effectiveness of their investments and generate reliable, actionable insights.” By iterating on pilots and continuously improving, companies will build agentic systems that can be measured, managed, and scaled. This will transform agentic AI into lasting competitive advantage.

Learn more about how Elastic supports financial services.

This content was produced by Insights, the custom content arm of MIT Technology Review. It was not written by MIT Technology Review’s editorial staff. It was researched, designed, and written by human writers, editors, analysts, and illustrators. This includes the writing of surveys and collection of data for surveys. AI tools that may have been used were limited to secondary production processes that passed thorough human review.

Orijinal Kaynağa Git