Plongée approfondie : Comment Fintech Block remplace les processus et les personnes par des agents

Bloc vient de faire la déclaration publique la plus claire à ce jour selon laquelle les « gains de l’IA » peuvent justifier une réinitialisation des effectifs à grande échelle. Jack Dorsey a présenté la réduction de février 2026 comme une « refonte de l’IA », supprimant plus de 4 000 postes sur une workforce d’un peu plus de 10 000.

La stratégie d’IA de Block en tant que réécriture du modèle opérationnel, et non un « ensemble de fonctionnalités IA ». Le centre de gravité est un substrat d’agents internes qui relie les LLM aux outils, données et actions, puis réutilise ce substrat pour déployer une automatisation orientée client.

La pile interne est dirigée par goose plus les intégrations MCP à l’échelle de l’entreprise, et une couche interne « texte vers application persistante » (G2) qui permet aux non-ingénieurs de créer des workflows autonomes. Ce duo est positionné comme la fondation pour des agents clients comme Square AI et Moneybot, ainsi que pour un concept interne de « builderbot » qui étend la création de logiciels autonomes à travers les rôles.

Le programme d’IA est déjà équipé de métriques d’adoption et de débit : environ 7 500 employés actifs hebdomadairement sur les outils IA, l’IA traitant 65 % des cas de support de Cash App, plus de 90 % des soumissions de code partiellement ou entièrement rédigées par IA, et une augmentation de 30 % de la médiane des modifications de code hebdomadaires par ingénieur sur une période mesurée.

La réduction des effectifs est explicitement justifiée par une discontinuité de productivité liée aux « outils d’intelligence ». La société indique qu’elle réduit ses effectifs de plus de 10 000 à moins de 6 000, avec plus de 4 000 départs ou entrées en consultation, et relie cette décision à une capacité pilotée par l’IA pour que des équipes plus petites « fassent plus et mieux ».

Les documents publics de Block ne divulguent pas les noms internes des modèles, les régimes de fine-tuning, les fenêtres de rétention ou la gouvernance complète des données pour la télémétrie des agents. Ce qui est divulgué suffit à déduire une architecture multi-modèles, avec appel d’outils en priorité, intégrant des cascades à coût maîtrisé et une forte emphase sur les données en temps réel, ainsi que des contraintes légales explicites pour les fonctionnalités IA destinées aux consommateurs et les partenaires de modèles tiers.

Vue systémique de la pile IA

Je modélise la pile comme cinq plans couplés : données, modèle, agent, surfaces produits, gouvernance. Block optimise le couplage, pas un seul plan.

Le « plan agent » est le différenciateur. La description open-source de goose est explicite : ce n’est pas un wrapper de chat. Il exécute une boucle interactive où un modèle émet des appels d’outils, l’agent les exécute, puis renvoie les résultats au modèle, avec une révision du contexte pour la gestion des tokens et la récupération itérative en cas d’erreurs.

La norme de connexion à l’entreprise est MCP. Block décrit MCP comme la couche API qui relie les agents aux « systèmes où résident les données » et aux actions, et indique avoir collaboré étroitement au développement de MCP.

La couche d’automatisation interne va au-delà de goose dans G2, décrite comme un « terrain de jeu interne pour textes vers applications persistantes » composé de tuiles qui fonctionnent en continu et de façon asynchrone. Le but déclaré est de permettre aux employés non techniques de créer des applications personnalisées et des workflows autonomes sans dépendance à l’ingénierie.

Sources de données et signaux d’étiquetage

Block divulgue des signaux concrets d’entraînement dans la fraude et le support :

Les alertes de scam sur Cash App sont entraînées à partir de plusieurs sources, notamment des rapports historiques de scams, des cas de support antérieurs, des interactions utilisateur avec les alertes, ainsi que des données de transaction et client. Le déploiement est explicitement couplé au feedback : le comportement de l’utilisateur lors de l’annulation ou de la poursuite devient un signal d’amélioration du modèle.

Le routage du support vocal de Cash App utilise un modèle d’intention ML pour orienter les appelants vers des réponses automatisées ou des groupes d’avocats spécialisés. Le système fonctionne en temps réel avec une invite conversationnelle, une logique de routage, et l’automatisation de demandes simples comme la vérification du solde.

Je considère ces exemples comme des modèles canoniques que Block étend à plusieurs surfaces agentiques : étiquettes supervisées lorsque disponibles, étiquettes implicites basées sur les résultats utilisateur lorsque non, et boucles de rétroaction en ligne robustes.

Routage des modèles, contrôle des coûts et latence

Risk Labs de Block met en avant une architecture de classificateur à deux étapes où un petit modèle gère les cas faciles et peut déléguer aux modèles plus grands pour les cas difficiles, avec une perte de substitution principielle qui maintient la cohérence. Cela s’aligne directement avec les contraintes en temps réel du fintech : latence limitée, coût limité, et chemins d’escalade.

Le même document présente explicitement « la croissance de la taille et du coût d’exploitation des modèles » comme la motivation. J’interprète cela comme une approbation institutionnelle des cascades, pas seulement un exercice académique.

Implications stratégiques et recommandations tactiques

Block construit une couche de distribution d’agents dans le fintech, puis exporte des agents validés aux clients. Ne pas copier la marque. Reproduire le substrat.

Fondateurs / PDG
Considérez l’automatisation agentique comme un levier opérationnel avec des budgets d’échec explicites. Concevez une escalade prudente pour le support, la fraude et les mouvements de fonds. Sans escalade de premier ordre, l’automatisation devient un risque.

Responsables produits
Déployez les capacités et interfaces séparément. Concentrez-vous sur des interfaces composables, une intelligence en temps réel, et une orchestration. Cela évite la prolifération d’assistants et maintient la cohérence des surfaces.

Stratèges en paiements
L’avantage passe de la profondeur des workflows à l’automatisation des workflows. Square AI, la commande vocale, et Managerbot réduisent le temps d’exploitation des PME. La menace est la compression temporelle, pas l’UI.

Développeurs natifs crypto
Priorisez la programmabilité agentique ancrée aux rails de paiement, pas aux narratifs de tokens. L’intelligence proactive et les outils Builder indépendants du modèle signalent une plateforme d’agents intégrée dans le fintech.

Ingénieurs
Appliquez le principe du moindre privilège au niveau des outils. Mettez en place des listes d’autorisation, des credentials limités, des logs d’audit immuables, des rollback déterministes. La sécurité des outils équivaut à la sécurité des modèles.

Investisseurs
Considérez cela comme une réduction des effectifs, une augmentation du calcul, et une hausse des dépenses de fiabilité. L’expansion des marges dépend des cascades, de la gestion de l’incertitude, et de surfaces produits limitées pour maintenir les coûts d’inférence et le risque d’incidents sous contrôle.