Wells Fargo
assistant bancaire conversationnel a l'echelle, architecture sans PII au LLM
Fargo, l'assistant conversationnel de l'app Wells Fargo lance en 2023, est passe de 21,3 millions d'interactions en 2023 a 245,4 millions en 2024 et a depasse 1 milliard cumulees en moins de trois ans, avec une architecture qui n'envoie jamais de donnee client sensible au LLM.
L'essentiel
- Assistant conversationnel Fargo dans l'app Wells Fargo Mobile, par la voix ou le texte.
- Orchestration maison plus Google Gemini Flash 2.0, PII masquees avant tout appel au LLM.
- De 21,3 millions d'interactions en 2023 a 245,4 millions en 2024, plus de 1 milliard cumulees.
- Preuve A, statut vivant confirme.
Objectif
Traiter en libre-service le besoin bancaire quotidien du client (solde, transactions, virements Zelle, paiement de factures, numeros de routage, insights de depense) dans l'app, sans passer par un canal humain couteux, et ancrer l'usage de l'app mobile comme canal principal de la relation.
Le déploiement
Fargo est l'assistant conversationnel de l'app Wells Fargo Mobile, lance en 2023. Le client l'interroge par la voix ou le texte pour envoyer de l'argent avec Zelle, payer une facture, retrouver un numero de routage, verifier un solde ou comprendre ses depenses. Son architecture est le point remarquable du cas : la parole est transcrite en local, le texte est nettoye et tokenise par la stack Wells Fargo, un petit modele detecte les PII, et seuls l'intention et les entites partent vers un LLM (Google Gemini Flash 2.0 comme modele principal). Aucune donnee client sensible ne passe par le modele. L'usage a bondi de 21,3 millions d'interactions en 2023 a 245,4 millions en 2024, plus de deux fois les projections initiales, pour depasser 1 milliard d'interactions cumulees en moins de trois ans (annonce de mars 2026). Plus de 3 millions de clients hispanophones ont utilise Fargo, avec plus de 160 millions d'interactions.
Résultats Preuve A
Volumes publies par Wells Fargo elle-meme dans un communique officiel (1 milliard d'interactions, 33 millions d'utilisateurs actifs mobiles, mars 2026, T1), concordants avec les chiffres internes rapportes par la presse tech etablie (21,3 millions en 2023, 245,4 millions en 2024, VentureBeat). Plusieurs sources concordantes dont une primaire de la marque-sujet, tenant sur plusieurs annees, font monter le niveau.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- outil Fargo (orchestration maison) Assistant integre a l'app Wells Fargo Mobile. La voix du client est transcrite localement, le texte est nettoye et tokenise par la stack de la banque, un petit modele detecte les PII ; seuls l'intention et les entites sont ensuite envoyes au LLM. La detokenisation et les appels d'API restent cote banque.
- llm Google Gemini Flash 2.0 Modele principal appele par la couche d'orchestration pour extraire l'intention et les entites de la requete, sans jamais recevoir de donnee brute ni de PII. Wells Fargo decrit un systeme compose ou l'orchestration choisit le modele selon la tache (d'autres modeles comme Llama ou OpenAI peuvent etre mobilises).
- outil Petit modele de detection de PII (in-house) Modele de langage reduit qui repere et masque les donnees personnelles avant tout appel au LLM, cle de l'architecture privacy-first.
- plateforme Application Wells Fargo Mobile Canal unique de Fargo (voix et texte), integre aux comptes et transactions ; l'app a depasse 33 millions d'utilisateurs actifs mensuels.
Comment ça tourne, concrètement
Pour les équipes ops-
1Requete client client
Le client parle ou ecrit sa demande dans l'app (virement Zelle, facture, solde, numero de routage, depenses).
-
2Transcription et masquage local IA
La parole est transcrite en local ; le texte est nettoye et tokenise ; un petit modele detecte et masque les PII avant tout appel externe.
-
3Extraction d'intention par le LLM IA
La couche d'orchestration envoie le texte masque au LLM (Gemini Flash 2.0), qui renvoie l'intention et les entites, sans jamais voir de donnee brute.
-
4Execution cote banque equipe data
La detokenisation, les appels d'API aux comptes et l'action (virement, reponse, insight) se font entierement sur les systemes Wells Fargo.
-
5Supervision et extension equipe data
L'equipe interne suit les volumes, la resolution et les cas mal compris pour elargir le perimetre et ajuster le choix de modele dans le systeme compose.
L'intention exprimee par le client, extraite apres masquage des PII. Le systeme s'optimise sur la comprehension d'intention et le taux de resolution sans humain ; si le masquage ou la detokenisation cassent, la reponse ne peut plus etre servie sans exposer de donnee.
Comment vos clients perçoivent ce type d'usage
Études sourcéesLes consommateurs n'acceptent pas les chatbots par defaut : 64% prefereraient que les entreprises n'utilisent pas d'IA dans leur service client (Gartner, 2024) et pres d'un utilisateur sur cinq du service client par IA n'en retire aucun benefice (Qualtrics, 2025). L'acceptation se construit sur trois conditions mesurees par Salesforce : savoir qu'on parle a une IA, pouvoir escalader vers un humain, comprendre la logique de l'agent.
Conditions d'acceptation
- Etre informe qu'on parle a une IA et non a un humain (pres de 75% le demandent, Salesforce 2024)
- Un chemin d'escalade clair vers un agent humain (45% plus enclins a utiliser l'agent IA, Salesforce 2024)
- Une logique de l'agent clairement expliquee (44% plus enclins, Salesforce 2024)
Lignes rouges
- Rendre l'humain injoignable : c'est la premiere inquietude des consommateurs sur l'IA dans le service client (Gartner 2024) et 50% craignent que l'IA les coupe du contact humain (Qualtrics 2025)
- Remplacer le service client par l'IA sans alternative : 53% envisageraient de partir chez un concurrent (Gartner 2024)
Sources : Salesforce 2024 · Gartner 2024 · Qualtrics 2025
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- Donnees de compte et de transaction en temps reel
- Historique d'intents clients pour cadrer les cas couverts
- Referentiel de PII a masquer (noms, numeros de compte, montants sensibles)
Prérequis orga
- Equipe produit et ingenierie IA dediee dans la duree
- Cadre de securite et de conformite bancaire
- Gouvernance du choix de modele dans un systeme compose
Stack possible
- Petit modele de detection et masquage de PII cote entreprise
- Couche d'orchestration qui route vers le bon LLM selon la tache
- LLM tiers (type Gemini Flash) appele uniquement sur du texte masque
- Detokenisation et appels d'API conserves en interne
Le plan, étape par étape
- Étape 1Cartographier les intentions client les plus frequentes (virement, solde, facture, insight de depense) a partir des logs support et app.Livrable : Referentiel d'intentions priorisees par volume.
- Étape 2Construire la couche de masquage : transcription locale, tokenisation, petit modele qui detecte et remplace les PII avant tout appel externe.Livrable : Pipeline de masquage teste, aucune PII sortante mesuree.
- Étape 3Brancher une couche d'orchestration qui envoie le texte masque a un LLM et n'en recupere que l'intention et les entites.Livrable : Prototype d'extraction d'intention sur donnees masquees.
- Étape 4Executer la reponse et les actions (appels d'API comptes) entierement en interne, apres detokenisation, avec journalisation.Livrable : Boucle complete en test, chaque action tracee cote entreprise.
- Étape 5Ouvrir une beta a un segment de clients dans l'app avec transparence sur la nature IA, puis elargir le perimetre et ajuster le choix de modele.Livrable : Assistant en beta, taux de resolution sans humain suivi.
Première étape : Cartographier les intentions client les plus frequentes dans l'app, puis poser la couche de masquage PII avant tout appel a un LLM : c'est elle qui rend l'architecture transposable en environnement reglemente.
Le même pattern, prouvé dans d'autres industries
ADT
agent client genAI
Air India
agent client genAI (service client automatisé)
AT&T
Assistant genAI d'entreprise gouverne : un LLM branche sur la connaissance interne, ouvert a des dizaines de milliers de salaries et appele en masse par des systemes automatises
Sources
- S1 Wells Fargo Reaches Major Digital Milestones Primaire archive à générer
- S2 Wells Fargo's AI assistant just crossed 245 million interactions - no human handoffs, no sensitive data exposed Presse établie archive à générer
- S3 Wells Fargo's assistant, powered by Google's AI, poised to hit 100 million interactions annually Presse établie archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.