Mesurer le risque géopolitique grâce à l’IA
En mobilisant des modèles de langage à grande échelle (LLM), Matteo Iacoviello propose une lecture renouvelée du risque géopolitique.
Les approches traditionnelles, issues notamment des travaux de Baker, Bloom et Davis (2016), reposent sur l’identification de mots-clés dans des corpus de presse. Si elles présentent l’avantage d’être transparentes, elles souffrent néanmoins de limites importantes, en particulier une incapacité à saisir le contexte. Un article indiquant le mot « guerre » dans un cadre cinématographique peut ainsi être comptabilisé comme un signal de risque. Pour dépasser ces limites, Matteo Iacoviello a utilisé l’IA et plus précisément les modèles de langage de grande taille (LLM). Pour mener son étude, il s’appuie sur plusieurs millions d’articles quotidiens publiés par le New York Times, le Washington Post et le Chicago Tribune de 1960 à 2026. Après un premier filtrage par mots-clés, les textes sont analysés par un modèle de langage qui attribue à chacun un score reflétant l’intensité du risque géopolitique évoqué. L’ensemble est ensuite agrégé pour construire un indice de risque géopolitique. Ce changement de méthodologie permet de réduire significativement le bruit statistique et de mieux distinguer la nature des événements. Sur le plan empirique, l’indice ainsi construit reproduit les grandes phases de tension géopolitique (Guerre froide, attentats du 11 septembre...) tout en apparaissant moins volatil et plus persistant que les indices fondés sur des mots-clés.
Des outils plus fins pour lire les marchés
La méthode permet aussi d’isoler des dimensions spécifiques, en adaptant les consignes données à l’algorithme. « Nous pouvons donner une consigne au modèle et lui demander si un article, en plus de mentionner un risque géopolitique, évoque aussi par exemple des perturbations potentielles de l’offre de pétrole en raison d’un conflit, de sanctions ou d’un embargo », précise Matteo Iacoviello. Cette méthode offre aussi la possibilité d’identifier plus précisément les chocs susceptibles d’affecter certaines classes d’actifs. Elle montre notamment qu’une hausse du risque géopolitique est associée à une baisse modérée des marchés actions, avec une sensibilité accrue aux composantes persistantes du risque plutôt qu’aux chocs ponctuels. Il est aussi possible d’intégrer une dimension géographique fine, en identifiant les pays impliqués dans les épisodes de tension. Croisée avec les données de commerce international, elle met en évidence un effet direct sur les flux commerciaux.
Comment le risque climatique influence la stabilité systémique aux États-Unis via le marché des prêts syndiqués
Monica Billio, analyse la manière dont les chocs climatiques se transmettent au système financier à partir d’une étude économétrique du marché des prêts syndiqués aux États-Unis.
À partir d’une analyse économétrique intégrant des données climatiques régionales ainsi que des données bancaires, financières et macroéconomiques, elle mesure l’impact du risque climatique sur le risque systémique, les différences d’exposition selon les régions et l’interaction avec les politiques climatiques et le positionnement des banques.
Quatre déterminants du risque systémique
Les résultats de ces travaux mettent en évidence quatre facteurs principaux dans la transmission du risque climatique : l’exposition aux événements extrêmes, les anomalies climatiques régionales, les évolutions des politiques climatiques et l’orientation environnementale des établissements financiers. Les trois premiers affectent directement l’activité économique et la solvabilité des acteurs, avant de se transmettre au système financier via le canal du crédit. Le positionnement environnemental des banques joue, quant à lui, un rôle de modération : les établissements les plus engagés dans la transition tendent à être moins exposés et à mieux absorber ces chocs. Monica Billio met également en évidence des effets fortement différenciés selon les territoires. Le sud des États-Unis, particulièrement exposé aux événements extrêmes, se distingue par une vulnérabilité accrue par rapport au reste du pays, tout comme les régions de l’Est, davantage affectées par des anomalies de précipitations. L’un des résultats importants de son étude concerne le rôle de la finance durable. « Les établissements les plus avancés sur les questions environnementales apparaissent globalement plus résilients face aux chocs climatiques », observe Monica Billio.
Ce constat suggère que l’intégration des enjeux climatiques ne constitue pas seulement une contrainte réglementaire, mais peut également renforcer la stabilité financière à moyen et long terme. À l’inverse, l’étude met en évidence les limites des politiques climatiques actuelles qui ne sont pas suffisamment structurantes et ne permettent pas d’intégrer les risques climatiques dans les décisions financières et les dynamiques de marché.
L’IA et l’intégrité du savoir
Markus Leippold, professeur de finance à l’Université de Zurich, analyse les transformations profondes induites par l’IA sur les marchés, les entreprises et la production du savoir.
À travers ses travaux en cours sur la dépendance des entreprises à l’IA, il met en évidence une série de risques émergents, structurés autour de quatre mécanismes clés – les traps ou mécanismes auto-renforçants – susceptibles d’altérer durablement les équilibres économiques, mais aussi la production des savoirs et la qualité de l’information.
Quatre traps au cœur des nouveaux risques
Le premier risque, qualifié d’epistemic trap, concerne la production du savoir. L’usage croissant de l’IA dans la recherche crée une boucle de rétroaction dans laquelle les contenus générés alimentent eux-mêmes les productions futures, au risque d’une dégradation progressive de la qualité. « Plus l’IA est utilisée, plus elle influence les évaluations, ce qui encourage encore davantage son utilisation », observe Markus Leippold. Ce mécanisme auto-renforçant peut conduire à un abaissement du niveau d’exigence, notamment dans les processus d’évaluation académique.
Le deuxième risque, celui de l’homogénéisation des savoirs ou homogenization trap, résulte de la diffusion massive des mêmes outils. Si l’IA permet une démocratisation de l’accès à des capacités d’analyse avancées, elle entraîne également une standardisation des raisonnements. Les utilisateurs mobilisent des modèles similaires, produisant des résultats de plus en plus homogènes. Cette convergence s’accompagne d’un paradoxe en matière de finance : les marchés deviennent plus rapides dans le traitement de l’information, mais pas nécessairement plus efficaces dans son interprétation.
Le troisième risque, l’infrastructure trap est lié aux infrastructures et concerne la dépendance croissante des entreprises à un nombre limité de fournisseurs d’IA. Les infrastructures – cloud, modèles, semi-conducteurs – sont fortement concentrées, créant des points de fragilité systémiques. Cette dépendance expose les entreprises à des chocs d’accès, de prix ou de régulation, comparables à ceux observés dans les chaînes d’approvisionnement. « Une entreprise fortement dépendante d’un fournisseur d’IA devient vulnérable à des changements externes qu’elle ne contrôle pas », note Markus Leippold. Les travaux empiriques montrent que cette dépendance est déjà intégrée par les marchés, notamment lors d’annonces de politique industrielle ou de restrictions technologiques, qui affectent directement la valorisation des entreprises les plus exposées.
Enfin, le quatrième risque, l’information trap, touche à la qualité de l’information et à la confiance dans les systèmes économiques. La multiplication des contenus générés par l’IA accroît les risques de désinformation et de manipulation. Dans ce contexte, les informations erronées ou biaisées peuvent se diffuser plus rapidement que les corrections, créant des dynamiques auto-renforçantes de dégradation de la confiance. « À mesure que les contenus se multiplient, il devient de plus en plus difficile de distinguer l’information fiable », conclut Markus Leippold.
Rédigé par Sandra Sebag, pour l’institut Louis Bachelier
