Métiers financiers : face à l’IA, apprendre à garder la main

Pour comprendre quels profils recherchera la finance, il faut d’abord regarder comment l’intelligence artificielle (IA) transforme le travail. Elle ne détruit pas les emplois aussi mécaniquement qu’on le craint. Elle en déplace la valeur. Une étude récente¹ distingue deux façons dont elle agit sur l’emploi. Lorsqu’elle complète le salarié, comme l’analyste qui creuse davantage ses dossiers ou le juriste qui analyse plus vite la jurisprudence, elle démultiplie l’effet de chaque heure travaillée. Lorsqu’elle le remplace, elle donne à l’entreprise le moyen de se passer de lui. Dans les deux cas, chacun travaille plus : les uns pour saisir de nouvelles opportunités, les autres par crainte d’être écartés.

Reste à savoir qui empoche les gains. Ce n’est pas la technologie qui en décide, mais le marché du travail. Les profils rares et difficiles à remplacer voient leur valeur grimper. Les profils interchangeables produisent davantage sans être mieux payés. L’IA risque ainsi de creuser les écarts, y compris entre salariés très qualifiés.

Dans la banque, où coexistent des expertises pointues (gestion des risques, structuration, conformité) et des fonctions plus standardisées, cette ligne de partage est décisive. Les établissements qui sauront repérer, former et retenir les profils capables de piloter ces outils prendront l’avantage. Les autres risquent de voir partir leurs meilleurs éléments. Car une constante demeure : dans les métiers financiers, l’IA assiste les professionnels aguerris, elle ne les remplace pas. Encore faut-il former ces professionnels.

Ce professionnel, quel est-il ? D’abord quelqu’un qui n’exécute pas l’IA, mais qui la questionne. Des modèles d’évaluation d’actifs aux techniques de gestion des risques, la finance a toujours reposé sur des outils quantitatifs. L’IA prolonge cette tradition en cherchant, comme les modèles quantitatifs classiques, à améliorer la qualité des décisions financières. Elle s’en distingue toutefois par sa manière d’apprendre. Elle tire ses conclusions de vastes volumes de données, plutôt que de relations posées à l’avance. Ses résultats en apparence convaincants peuvent parfois ne reposer que sur des corrélations fragiles ou trompeuses. Le risque n’est pas tant que la machine se trompe que l’utilisateur lui fasse aveuglément confiance. Le professionnel recherché n’est donc plus celui qui applique une formule, mais celui qui sait poser le bon problème, choisir un modèle, en lire les résultats et en mesurer les limites. Ce profil réunit deux registres longtemps séparés. D’un côté, la maîtrise des outils : la programmation, notamment en Python, les techniques d’apprentissage automatique, et désormais les grands modèles de langage, capables de traiter la masse de textes que produisent les entreprises, des rapports annuels aux communiqués. De l’autre, une solide culture financière, seule à même de donner du sens aux résultats et de déjouer les pièges des données. Les deux sont indissociables. C’est la maîtrise des fondamentaux qui permet d’utiliser l’IA plutôt que de la subir.

Un exemple rend la chose tangible. Une IA passe au crible des milliers de dépêches financières et signale, un matin, qu’une entreprise du portefeuille est exposée à une mauvaise nouvelle. Le professionnel ne se contente pas d’exécuter l’alerte. Il vérifie que le modèle n’a pas confondu deux sociétés au nom voisin, replace l’information dans le contexte du secteur et juge si elle n’est pas déjà reflétée dans les cours. La valeur ajoutée est là : non dans la production du signal, que la machine fournit à faible coût, mais dans son interprétation et sa mise en doute.

Reste la compétence décisive : l’esprit critique, c’est-à-dire savoir douter d’un résultat, le confronter à une méthode plus simple, vérifier qu’une stratégie tient hors de l’échantillon sur lequel elle a été construite. Ces réflexes, hier réservés aux spécialistes, deviennent le cœur du métier, car un modèle qui paraît performant peut n’avoir fait que mémoriser le passé. Former les jeunes, c’est d’abord leur apprendre à rester maîtres des résultats qu’ils produisent, plutôt que de déléguer leur jugement à une machine.

Ce profil ne s’improvise pas et le former oblige à revoir les contenus. Ainsi, les cursus en finance intègrent désormais les fondamentaux de l’IA et de l’apprentissage automatique, ainsi qu’une pratique réelle de la programmation devenue aussi indispensable que l’était hier la maîtrise d’un tableur. L’objectif n’est pas de transformer chaque étudiant en ingénieur, mais de lui donner une compréhension assez solide de ces outils pour les mobiliser à bon escient et pour en connaître les angles morts.

Les méthodes d’enseignement changent tout autant. Les exercices standardisés, qu’une machine résout en quelques secondes, perdent leur valeur d’évaluation. Ils cèdent la place à des projets plus ouverts, construits autour de cas réels comme une problématique à formuler, une situation à analyser, un modèle à choisir, des résultats à défendre. L’évaluation se déplace vers l’oral et vers des projets suivis dans la durée, où l’étudiant doit expliquer sa démarche autant que son résultat. Confronté à des situations proches de la pratique professionnelle, il apprend ce qu’aucun cours théorique ne transmet vraiment : le doute méthodique.

L’IA entre elle-même dans la salle de cours. Elle aide à écrire du code, à explorer une piste, à comprendre un concept ardu. Son usage est autorisé, parfois encouragé, mais à condition qu’il soit explicité. Documenter ce que l’on a demandé à la machine fait désormais partie de l’exercice. Car l’étudiant n’est plus un exécutant. Il apprend à superviser des modèles, dans un domaine où une erreur d’appréciation coûte cher. D’où l’importance donnée aux réflexes professionnels qui font la différence : tester une stratégie hors échantillon d’apprentissage, en éprouver la robustesse, garder la trace des décisions.

La formation n’est qu’une étape et l’insertion ne commence pas le jour du premier contrat. Elle se prépare déjà sur les bancs de l’université. Le meilleur pont entre le campus et le poste passe par la recherche appliquée. En stage ou en mémoire, les étudiants s’attaquent à des problèmes que se posent aussi les praticiens. Il faut prévoir l’effet d’une information sur un cours, analyser des textes financiers, concevoir une stratégie d’investissement. Ils y gagnent une expérience différenciante, les équipes de recherche une force de travail, et le futur professionnel découvre très tôt les limites réelles des modèles.

Le projet FAME, mené par Dauphine avec HEC Montréal, en offre un terrain concret. À travers le Next Challenge lancé en collaboration avec la FinTech NextWise, il oppose des stratégies pilotées par l’IA à des investisseurs humains. Les étudiants n’y manipulent plus des cas d’école, mais un dispositif vivant, évalué sur la performance et le risque, au plus près de ce qu’ils rencontreront en salle de marché ou en gestion.

L’université ne peut toutefois pas relever seule ce défi. La vitesse à laquelle l’IA évolue impose une co-construction permanente avec les entreprises financières : programmes révisés au contact des praticiens, alternance, dispositifs d’intégration structurés. Et l’effort ne s’arrête pas aux nouveaux entrants. Comme les compétences se périment vite, la formation continue des équipes déjà en poste devient tout aussi stratégique. Recruter des jeunes bien formés et faire monter en compétence les collaborateurs expérimentés relèvent du même mouvement.

Pour les banques, la conséquence est concrète. Dès l’orientation, il faut faire savoir aux jeunes que la finance de demain associe rigueur financière et culture technologique, et cesser d’opposer les deux. Au recrutement, l’erreur serait de courir après la maîtrise du dernier outil, qui sera dépassé en deux ans. Ce qui dure, c’est le socle et le jugement , la capacité à poser un problème, à remettre en cause une conclusion, à décider malgré l’incertitude. Un candidat qui sait superviser une IA vaut mieux qu’un candidat qui sait seulement s’en servir.

Cette transformation ne réussira pas sans une responsabilité partagée. Il revient à l’université de former des professionnels lucides, aux employeurs de préciser les compétences attendues, d’ouvrir leurs terrains d’apprentissage et d’accompagner leurs équipes dans la durée. La fonction RH gagnera aussi à reconnaître que, à l’ère de l’IA, la valeur d’un collaborateur évolue avec son marché autant qu’avec sa performance. Car la règle vaudra dans la banque comme ailleurs. L’IA ne remplace pas le jugement, elle en augmente la valeur.