Financement
Arva AI lève 20 millions de dollars lors d’un tour de série A pour développer son IA de conformité bancaire et ses activités commerciales

Points clésArva AI a levé de nouveaux fonds pour développer les ventes de conformité bancaire et…
Voir plus
- Arva AI a levé de nouveaux fonds pour développer les ventes de conformité bancaire et la recherche en IA.
- Les agents d'Arva automatisent les examens des sanctions et des transactions suspectes pour les grandes banques.
- Le système d'apprentissage continu d'Arva propose des changements tandis que les clients contrôlent les décisions de déploiement.
Axios a rapporté le 17 novembre 2026 qu’Arva AI avait levé 20 millions de dollars lors d’un tour de série A mené par Arthur Ventures, citant le directeur général Rhim Shah. La jeune pousse spécialisée dans la conformité bancaire prévoit de renforcer son équipe commerciale à New York et d’investir dans la recherche en IA, notamment en recrutant et en entraînant des modèles.
Les investisseurs historiques Gradient et Y Combinator ont également participé au tour de financement. Shah a indiqué que Wise et deux grandes banques américaines comptaient parmi les clients de l’entreprise. Il a ajouté qu’Arva était passée du service de jeunes entreprises de technologie financière de plus petite taille au ciblage d’environ 40 à 50 des plus grandes banques américaines.
Ventes aux banques et tarification à l’usage
Les agents d’Arva effectuent des recherches sur des entreprises et des particuliers, examinent des documents et enquêtent sur des alertes liées aux sanctions et aux transactions suspectes. Ils peuvent également recommander des améliorations. Selon Shah, les clients les utilisent de plus en plus pour automatiser les examens après avoir évalué leurs performances.
L’entreprise facture ses services en fonction de leur utilisation et estime pouvoir prendre en charge davantage de types de tâches au sein de chaque établissement. Les premiers déploiements sont relativement standardisés, tandis que l’ajout de flux de travail exige une collaboration technique accrue avec les clients. Shah a décrit comme difficile l’agrément des fournisseurs par les banques, tout en précisant qu’il peut ouvrir la voie à la vente de services supplémentaires après le déploiement.
Sur son site web, Arva indique traiter plus d’un million d’examens par mois et résoudre 92 % des alertes dans le cadre d’un déploiement en production. Ces indicateurs, publiés par l’entreprise, donnent une mesure de son ampleur opérationnelle alors qu’elle cherche à attirer de plus grandes banques et à étendre ses déploiements au sein de ses établissements clients.
Recherche et contrôles pour les déploiements dans les secteurs réglementés
Arva a été fondée en 2024 par Shah et son directeur technique, Oli Wales, et exerce ses activités depuis Londres et New York. Son architecture de recherche ajoute des couches de raisonnement spécialisées à des modèles linguistiques polyvalents pour des tâches telles que le rapprochement d’identités, la recherche des bénéficiaires effectifs et le traitement d’informations défavorables dans les médias.
Les ajustements, les escalades et les corrections effectués par les analystes sont anonymisés et intégrés à des jeux de données d’évaluation. Avant leur déploiement, les agents sont évalués à l’aide de jeux de données annotés par des experts et de cas contradictoires. Les modifications ultérieures font l’objet de tests de régression par rapport à ces mêmes données.
AgentCore, le système d’apprentissage continu d’Arva, repère les tendances récurrentes dans les examens et propose des recommandations étayées par des éléments probants. Il valide les modifications en rejouant des données historiques et suit les performances après le déploiement, tandis que les clients décident des recommandations à appliquer dans leurs propres environnements isolés.
Financements antérieurs et étude de cas dans une banque
Le tour de série A fait suite à l’annonce, le 14 janvier 2025, par Arva d’une levée de fonds de 3 millions de dollars menée par Gradient, à laquelle ont également participé Y Combinator, Amino Capital, Olive Tree Capital et des investisseurs providentiels du secteur des technologies financières. Cette annonce portait principalement sur l’automatisation de la vérification Know Your Business, un processus de conformité visant à évaluer les risques associés aux entreprises clientes, notamment la fraude et le blanchiment d’argent. La plateforme transformait des données fragmentées provenant de registres, de sites web, des médias sociaux et de documents en évaluations des risques liés aux entreprises.
Une étude de cas du 2 octobre 2025 présente un exemple de déploiement plus précis. Arva a décrit le cas d’une grande banque américaine, dont le nom n’a pas été révélé, et dont le système de surveillance des transactions fondé sur des règles générait des milliers d’alertes par jour. Au lieu de remplacer le système existant, Arva a ajouté une couche de décision entre la génération des alertes et leur examen par des personnes. Cette couche classait les alertes en vue de leur résolution automatique, de leur transmission à un niveau supérieur ou de leur escalade, et produisait une justification vérifiable pour chaque décision.
Arva a indiqué que le déploiement avait réduit de 78 % le nombre d’alertes transmises aux analystes humains et résorbé l’arriéré en 45 jours. Le taux de faux négatifs est resté inférieur à 1 % pendant une période d’assurance qualité de 90 jours. La banque étendait Arva à des processus connexes, notamment la rédaction de récits de cas et l’enrichissement des déclarations d’activités suspectes.
L’expansion d’Arva dépend de deux défis liés : obtenir l’agrément d’un nombre relativement restreint de grandes banques, puis élargir chaque déploiement initial à d’autres flux de travail. Les investissements prévus dans les ventes et la recherche répondent à ces deux enjeux, mais le modèle de déploiement de l’entreprise met clairement en évidence une contrainte : l’automatisation à plus grande échelle doit rester explicable et validée, et demeurer sous le contrôle des clients.












