Cas d'usage de Tencent WorkBuddy dans la finance : pourquoi la due diligence, le contrôle des risques multi-agent et la recherche sur les actions A commencent à passer aux AI Agents

Si vous résumez la valeur de WorkBuddy dans la finance à "encore une IA qui sait rédiger des rapports", vous passez à côté du vrai sujet.

J'ai relu plusieurs publications publiques liées directement à la due diligence en banque d'investissement, au contrôle des risques, à l'automatisation de la recherche sur les actions A et au déploiement privé. Après lecture, mon avis est clair :

La vraie valeur de WorkBuddy dans la finance n'est pas d'embellir un paragraphe, mais d'entrer dans des workflows de production qui tournent réellement.

Or, dans la finance, le plus lourd n'est justement pas "écrire une conclusion", mais plutôt :

• déplacer des données entre plusieurs systèmes
• remplir des modèles entre plusieurs formats
• surveiller les risques en continu
• extraire de l'information structurée à partir de rapports de recherche et d'états financiers
• faire tourner toute la chaîne dans un cadre conforme

C'est aussi pour cela que je pense que la finance est l'un des secteurs où un AI Agent comme WorkBuddy a le plus de chances de créer une vraie valeur métier.

En bref

• Au 29 juin 2026, les cas d'usage publics les plus convaincants de WorkBuddy dans la finance se concentrent sur quatre axes :
  1. La due diligence et la génération d'une première version de rapport
  2. Le contrôle des risques multi-agent 24h/24 et 7j/7
  3. Les pipelines automatisés de recherche sur les actions A
  4. Le déploiement privé, le traitement local et la boucle d'audit
• D'après les informations publiques de la communauté développeur Tencent Cloud, la valeur de WorkBuddy dans la finance ne se limite pas à "est-ce faisable ?". On voit déjà apparaître :
  • des bibliothèques documentaires structurées
  • des modes de connexion aux données
  • de l'orchestration de tâches multi-agent
  • des environnements privés / VPC / localisés
  • et des gains d'efficacité assez précis
• Si vous travaillez aujourd'hui dans les opérations de banque d'investissement, le contrôle des risques, la recherche actions, la conformité ou le traitement de données financières, ces cas sont bien plus utiles qu'une simple démo d'IA bureautique.

Pourquoi la finance se laisse si facilement convaincre par une IA orientée workflow

Ce qui épuise vraiment les équipes financières, ce n'est souvent pas le manque d'analyse, mais plutôt :

• trop de sources documentaires
• des formats de données désordonnés
• une multitude de modèles
• un niveau d'exigence de validation très élevé
• les mêmes opérations à répéter chaque jour

Autrement dit, ce qui pèse le plus dans la finance, ce n'est pas "trouver une bonne conclusion", mais :

faire circuler toute la chaîne, de la donnée d'entrée jusqu'au document final, en passant par le tri des pièces et le filtrage du risque.

Et dans les cas publics, la caractéristique la plus nette de WorkBuddy, c'est qu'il n'est pas présenté comme une simple fenêtre de chat isolée. Il s'insère dans :

• la bibliothèque documentaire
• les connecteurs
• les tâches planifiées
• l'orchestration multi-agent
• les modèles de documents
• l'audit et le déploiement privé

Au final, cela ressemble beaucoup plus à :

un hub d'automatisation pour les opérations financières

et non à :

un simple modèle qui reformule vos conclusions

Cas 1 : la due diligence en banque d'investissement, du Word bricolé à la première version en un clic

La première publication publique qui ressemble le plus à un environnement financier réel est cet article de la communauté développeur Tencent Cloud :

WorkBuddy 金融全链路自动化实战：从“投行尽调”到“多Agent风控”的架构指南

L'intérêt de cet article, c'est qu'il ne parle pas d'écriture en général, mais du point le plus pénible de la due diligence :

• extraire des données depuis Qichacha, Wind, les rapports d'audit et les comptes rendus d'entretien
• remplir ensuite à la main un modèle Word
• vérifier soi-même que les risques clés n'ont pas été oubliés

Le texte public décrit la douleur très directement :

• une due diligence traditionnelle prend 2 à 3 jours
• avec un vrai risque de manquer des signaux critiques

La solution WorkBuddy proposée ressemble beaucoup plus à un système en production qu'à une démo :

• créer d'abord une arborescence structurée dans la base documentaire
• avec des dossiers tels que :
  • /01-客户基础信息
  • /02-财务数据
  • /03-尽调模板
• y déposer ensuite le modèle standard 《尽职调查报告模板.docx》
• prévoir des espaces réservés pour des sections comme "analyse financière", "transactions avec parties liées" et "alertes risques"

Le plus important, c'est que l'article ne se contente pas de dire "l'outil sait rédiger un rapport". Il décrit aussi la chaîne d'entrée des données :

• connexion au connecteur Tencent Docs
• synchronisation des tableaux financiers du client
• lecture de ces tableaux par WorkBuddy
• extraction du chiffre d'affaires, du bénéfice net et du cash-flow sur les trois dernières années
• remplissage automatique des sections correspondantes du modèle de due diligence

Le chiffrage public est le suivant :

• 2 jours de travail compressés à moins de 30 minutes

Pourquoi ce type de cas paraît crédible ? Parce que, pour une institution financière, le plus lourd n'est pas "comment formuler la conclusion", mais bien :

assembler une conclusion à partir de matériaux hétérogènes, issus de plusieurs sources, formats et modèles.

Si WorkBuddy est déjà capable de prendre cette étape en charge, on n'est plus dans la "génération de texte", mais bien au contact du SOP lui-même.

Cas 2 : le contrôle des risques multi-agent, pour arrêter de vivre devant un écran

Dans le même article public, un autre scénario mérite clairement d'apparaître dans un contenu SEO : la conformité et le contrôle des risques.

Ce scénario est important parce qu'il relève d'une tâche continue, et non ponctuelle.

L'article public décrit une architecture multi-agent assez nette :

• Agent 1 : collecte des données
  • récupération planifiée des cours clients, des notations obligataires et des actualités
• Agent 2 : filtrage négatif
  • connexion à l'API Qichacha via un connecteur MCP personnalisé
  • vérification des litiges ou incidents de crédit concernant les dirigeants effectifs
• Agent 3 : génération de rapport
  • consolidation des anomalies
  • création automatique du document 《每日风控预警日报》.docx

Le tout est ensuite chaîné dans un workflow planifié :

• exécution à heure fixe chaque jour
• Agent 1 récupère les données
• Agent 2 filtre les risques
• Agent 3 produit le rapport quotidien
• le résultat est stocké dans un répertoire partagé

Le texte public donne aussi un geste très typique d'un système de production :

• si un client est détecté comme fortement risqué
• une alerte est envoyée immédiatement via un bot WeChat
• avec le nom du client, le type de risque et la mesure recommandée

À ce stade, on n'est plus dans "une IA qui résume un texte", mais dans :

une IA qui prend le relais sur la garde opérationnelle.

Et le chiffre le plus important communiqué publiquement est :

• un contrôle des risques 24h/24 et 7j/7 sans supervision humaine

Pour les équipes financières, c'est très attractif, car ce qui use de nombreux postes de contrôle, ce n'est pas la capacité de jugement, mais :

• surveiller les écrans
• faire des rondes de contrôle
• suivre les anomalies
• puis recopier les anomalies dans le rapport du jour

Si WorkBuddy automatise réellement ces gestes répétitifs, sa valeur est alors de :

sortir les équipes du simple monitoring pour les remettre sur le traitement réel du risque.

Cas 3 : l'automatisation de la recherche sur les actions A, pas seulement la rédaction, mais toute la chaîne d'analyse

La deuxième publication publique à forte valeur pour un article finance est :

用WorkBuddy搭建A股投研自动化流水线（实战教程）

Elle est précieuse parce qu'elle ne dit pas seulement "l'IA m'aide à lire un rapport". Elle explique directement :

comment automatiser toute la chaîne, de la collecte des données jusqu'à la capitalisation dans la base de connaissances, en passant par le rapport HTML et la conversion HTML vers DOCX.

L'article public décrit un contexte d'usage très concret :

• l'auteur s'appuie sur 3 mois d'utilisation réelle
• avec une couverture de :
  • la génération de rapports de recherche
  • l'automatisation HTML vers DOCX
  • le chargement massif vers la base de connaissances
  • la gestion de mémoire entre sessions
• et l'ensemble du flux a été vérifié à plusieurs reprises

L'article découpe d'ailleurs le processus d'analyse en quatre étapes :

1. collecte des données et première recherche
2. génération d'un rapport de recherche HTML approfondi
3. conversion HTML vers DOCX
4. chargement dans la base de connaissances

Ce point vaut bien plus qu'un simple "aide-moi à écrire une note", car ce qui consomme vraiment du temps dans les équipes de recherche financière n'est pas l'écriture elle-même, mais :

• collecter les données
• comparer plusieurs valeurs
• remettre en forme selon un modèle
• archiver pour réutiliser
• reprendre l'analyse au bon endroit la fois suivante

Plusieurs détails cités dans le texte ressemblent à un vrai environnement de production :

• comparaison horizontale de plus de 40 valeurs
• modèles d'analyse approfondie par action
• chaîne d'upload en 4 étapes vers la base de connaissances
• mémoire de progression de recherche entre sessions
• ainsi que des problèmes concrets comme les caractères chinois corrompus lors du HTML vers DOCX, l'expiration des tokens ou la perte de connexion des connecteurs

Je trouve ce genre de "journal de galères" particulièrement important, car seules les personnes qui ont vraiment fait tourner le flux en production commencent à se demander :

• dans quel workspace l'écriture de fichiers échoue
• à quel moment les identifiants d'upload expirent
• pourquoi les polices du document Word deviennent illisibles
• pourquoi la progression de recherche se perd entre deux sessions

Ce type d'information montre que, dans ce cas, WorkBuddy n'est pas un "assistant de recherche conceptuel", mais :

un outil déjà branché dans la texture réelle du travail de recherche sur les actions A.

Cas 4 : dans la finance, l'enjeu n'est pas seulement l'efficacité, mais aussi la conformité et le déploiement

Si les trois premiers cas parlent davantage de processus métier, la question que les équipes financières finissent toujours par poser est :

est-ce que tout cela peut être déployé proprement dans un cadre conforme ?

C'est aussi pour cela que je considère la troisième source publique comme indispensable :

WorkBuddy Enterprise：腾讯云推出的企业级AI智能体平台

Cet article est davantage orienté plateforme, mais il donne un signal crucial pour la finance : Tencent sait très bien que, pour ces équipes, le vrai sujet n'est pas "est-ce impressionnant ?", mais plutôt :

• les données peuvent-elles être isolées ?
• un déploiement privé est-il possible ?
• existe-t-il des traces d'audit ?
• les formes de déploiement sont-elles réellement maîtrisables ?

Les points clés mentionnés publiquement incluent :

• démarrage à froid en 100 ms
• plus de 70 000 Skills référencés
• plus de 100 protocoles MCP pris en charge
• prise en charge de :
  • SaaS 公有云
  • VPC 专享
  • 私有化部署

Et, dans la logique de déploiement, le document cite explicitement la finance :

• VPC 专享 : isolation des données, adaptée aux grandes et moyennes entreprises qui ont des exigences de conformité et de contrôle
• 私有化部署 : déploiement local avec maîtrise complète de la stack, adapté à la finance, au secteur public et aux environnements IT souverains

Le même ensemble de documents publics mentionne aussi :

• le contrôle des risques financiers
• l'agent 天御风控 Agent
• une intégration fondée sur les mêmes capacités agentiques sous-jacentes que WorkBuddy

Cela montre que Tencent ne vend pas seulement un outil bureau, mais bien :

une base exploitable par les institutions financières pour transformer l'organisation à l'échelle.

À quoi ressemble l'environnement de production financier à travers ces cas publics

Si l'on recolle ces différentes publications, l'environnement de production de WorkBuddy dans la finance présente déjà des caractéristiques récurrentes :

• une base documentaire structurée, pas un simple dépôt de fichiers improvisé
• des modèles, pas un redémarrage à zéro à chaque fois
• des connecteurs et des API, pas uniquement du copier-coller manuel
• de l'orchestration multi-agent, pas un simple chat en série
• des rapports quotidiens, des alertes et des bases de connaissances, pas des réponses ponctuelles
• du local, du VPC et du déploiement privé, pas seulement un accès public Internet
• des exigences d'audit, pas un simple "ça marche donc c'est fini"

C'est aussi pour cela que, dans la finance, WorkBuddy ressemble davantage à :

un poste de travail de fond pour une banque d'investissement numérique, un contrôle des risques numérique et une recherche numérique

plutôt qu'à :

un chatbot un peu plus bavard que les autres

Quelles équipes financières devraient tester cela en premier

Les équipes qui devraient tester tout de suite

• les équipes de due diligence et de préparation documentaire en banque d'investissement
• les équipes qui produisent des rapports de contrôle, des revues négatives et des alertes d'anomalie
• les équipes de recherche sur les actions A ou de Hong Kong
• les institutions financières qui veulent capitaliser les résultats de recherche dans une base de connaissances
• les organisations qui ont des exigences claires en matière de déploiement privé et d'audit opérationnel

Les équipes qui peuvent attendre

• les équipes qui n'ont pas de processus standardisé à haute fréquence et ne traitent que des tâches ponctuelles
• les équipes qui ne veulent pas encore structurer modèles, arborescences et connecteurs
• les personnes qui veulent seulement faire du Q&A léger sans brancher l'IA dans un workflow central

Si vous voulez le tester vous-même, je vous conseille ceci

1. Commencez par un processus financier très standard et très fréquent. N'essayez pas de "tout transformer" dès le départ.
2. Les meilleurs premiers points d'entrée sont souvent :
   • la première version de due diligence
   • le rapport quotidien de contrôle des risques
   • la sortie standardisée de recherche
3. Ne regardez pas seulement "est-ce que ça génère ?". Vérifiez surtout :
   • si les sources de données sont traçables
   • si le remplissage du modèle reste stable
   • si la chaîne d'alerte peut s'exécuter automatiquement
   • si le mode d'audit et de déploiement répond vraiment à vos exigences
4. Si vous utilisez déjà des workflows multi-modèles ou multi-agents, vous pouvez aussi comparer au passage :
   • quels types de tâches conviennent mieux à un produit de type poste de travail comme WorkBuddy
   • et lesquelles sont plus adaptées à votre propre orchestration via API

Si ce qui vous intéresse davantage aujourd'hui, c'est comment brancher Tencent, GLM, Kimi, DeepSeek, StepFun et d'autres modèles dans votre propre workflow agentique, vous pouvez commencer ici :

• Tarifs des modèles
• Acheter une API Key
• Documentation API

Mon verdict final

Si je devais résumer ma lecture des cas d'usage WorkBuddy dans la finance en une seule phrase, ce serait :

ce qu'il faut vraiment surveiller, ce n'est pas "Tencent a aussi sorti un outil IA de bureau", mais le fait que WorkBuddy commence déjà à entrer dans la due diligence en banque d'investissement, le contrôle des risques multi-agent, l'automatisation de la recherche sur les actions A et les déploiements privés conformes.

C'est bien plus important que tous les débats sur "est-ce que l'IA sait écrire un rapport". Car, dans la finance, le plus difficile n'a jamais été une phrase de conclusion, mais :

faire tourner correctement un workflow complet, fréquent, conforme, auditable et multi-systèmes.

Si WorkBuddy fonctionne réellement dans ces zones, son intérêt pour la finance n'est plus simplement "gagner un peu de temps", mais :

reprendre progressivement les processus répétitifs les plus usants de l'organisation dans un poste de travail IA durable.

Références

• WorkBuddy 金融全链路自动化实战：从“投行尽调”到“多Agent风控”的架构指南
• 用WorkBuddy搭建A股投研自动化流水线（实战教程）
• WorkBuddy Enterprise：腾讯云推出的企业级AI智能体平台