Contexte et architecture de Smarsh EDGE
Smarsh EDGE propose une plateforme qui capture l’ensemble des canaux de communication d’une institution financière – courriels, messages instantanés (WhatsApp, Teams, Zoom) et même les prompts d’IA – afin de les rendre exploitables par des modèles d’apprentissage automatique. La solution s’appuie sur les API de conformité d’Anthropic PBC et d’OpenAI Group PBC, qui enregistrent chaque requête d’IA afin de tracer les réponses à risque. Un serveur Model Context Protocol (MCP) assure l’accès aux données tout en appliquant des contrôles d’accès granulaires, ce qui évite que les agents externes contournent les règles de conformité.
Gouvernance intégrée au niveau de l’infrastructure
Selon les dirigeants de Smarsh, la gouvernance ne doit plus être ajoutée a posteriori mais intégrée dès la conception. Le partenariat multiyear avec Amazon Web Services (AWS) permet d’insérer des mécanismes de contrôle d’accès, de journalisation et d’audit directement dans la couche d’infrastructure. Caylent, partenaire technologique, fournit les outils d’observabilité qui permettent de savoir qui ou quoi interroge les données. Cette approche répond aux exigences réglementaires qui restent technologiques‑agnostiques, tout en limitant les amendes potentielles qui ont déjà coûté plusieurs milliards de dollars aux banques.
Fonctionnalités d’analyse et d’interaction
Le moteur d’intelligence de Smarsh transforme les messages non structurés en « contexte client ». Un modèle propriétaire classifie une année de conversations et suggère des actions pour la prochaine interaction. Un autre avancement majeur remplace les recherches booléennes par des requêtes en langage naturel. Les superviseurs saisissent une question simple et reçoivent des conversations annotées d’un score de risque, grâce à un « context layer » qui mappe les hiérarchies d’identité – technologie brevetée par Smarsh – afin de réduire les faux positifs. En outre, Smarsh développe des modèles de conformité multilingues, moins coûteux que les grands modèles généraux, capables de suivre les changements de langue au cours d’une même conversation.
Automatisation agentique et niveaux d’autonomie
La plateforme propose quatre niveaux d’autonomie pour les agents : assistance, recommandation, exécution sous garde‑fous et autonomie totale. Chaque niveau est attribué en fonction de la réversibilité du processus, de sa complexité et du degré d’observabilité requis. Smarsh a déployé entre quatre et cinq agents au cours des six derniers mois, tous connectés au serveur MCP. Le dirigeant produit indique que 70 % à 80 % des dépenses de conformité sont encore consacrées à la main‑d’œuvre, ce qui rend le retour sur investissement de l’automatisation potentiellement élevé. Un groupe d’innovation interne, S‑Combinator, a également créé un agent de gestion des risques de modèle, actuellement disponible en version limitée.
