L’intelligence artificielle dans la finance n’est plus un horizon lointain. « 90 % des acteurs des marchés financiers utilisent déjà l’IA ou prévoient de le faire à court terme », a rappelé Sébastien Raspiller, secrétaire général de l’Autorité des marchés financiers (AMF), en s’appuyant sur une étude récente du régulateur. La dynamique a été créée par l’IA générative et plus de la moitié des cas d’usage sont désormais en production. « On a dépassé le stade du Proof of Concept », constate-t-il.
Mais cette diffusion rapide ne signifie pas que la machine a pris le pouvoir décisionnel. Claire Calméjane, présidente France et Benelux de Foundever, premier opérateur de centres de contacts en France, et acteur de la transformation des chaînes de valeur financières depuis vingt ans, décrit une adoption résolument graduée. « La première dimension dans laquelle nous nous inscrivons est celle de l’IA au service de l’humain. Mais ce dernier reste décisionnaire et reste en supervision des activités. » Chez Foundever, les appels sont analysés en temps réel par des IA propriétaires qui vérifient la conformité réglementaire et suggèrent au conseiller la meilleure action à proposer au client. L’autonomie de la machine s’arrête à la recommandation. « Je ne pense pas que des IA vont prendre des décisions complètement autonomes sur les portefeuilles. Pas dans un horizon court », ajoute Claire Calméjane.
Gestion d’actifs : la retenue des gérants
face à l’IA générative
C’est dans la gestion d’actifs que le contraste entre le potentiel de l’IA et la prudence des praticiens apparaît le plus nettement. Mathieu Caquineau, CFA, directeur de la recherche sur les fonds actions chez Morningstar, évalue au quotidien la manière dont les gestionnaires de fonds intègrent ces nouveaux outils. Son constat est mesuré : « L’IA générative est pour l’instant cantonnée au travail de recherche et d’analyse, mais elle n’influence pas directement la prise de décision d’investissement. »
Trois freins expliquent cette retenue. Le premier est technique : « Avec les modèles LLM, il est tout simplement impossible de faire un backtest », observe Mathieu Caquineau. Ces modèles sont probabilistes – poser deux fois la même question peut produire des réponses différentes – et ils ont été entraînés sur des données qui incluent la période que l’on cherche à simuler. Le deuxième frein tient à des limites encore mal comprises. Le troisième est d’ordre réglementaire : la responsabilité fiduciaire impose aux gérants de pouvoir expliquer et justifier chacune de leurs décisions d’investissement.
Deux exemples illustrent néanmoins la direction prise par l’avant-garde de l’industrie. Chez Vanguard, une équipe de gestion quantitative fait tourner en parallèle un modèle algorithmique classique à base de facteurs et un modèle d’IA, afin de comparer leurs biais respectifs et d’évaluer si l’IA pourra un jour prendre le relais. Chez Morgan Stanley, l’équipe Counterpoint Global a décomposé l’intégralité du travail de l’analyste en une cinquantaine de tâches confiées à autant d’agents IA. Mais, fait notable, rapporte Mathieu Caquineau : « Ils refusent pour l’instant que les analystes juniors utilisent ce modèle, parce qu’ils veulent qu’ils puissent avoir l’expérience de terrain », nécessaire pour ensuite piloter ces outils avec discernement.
La gestion de patrimoine, terrain d’élection de la personnalisation
C’est sans doute dans la gestion de patrimoine que l’IA pourrait produire sa transformation la plus profonde. Serge Darolles, professeur de finance et directeur de la mention Finance à l’Université Paris Dauphine-PSL, y voit un terrain naturel : « On investit pour couvrir des risques détenus à son passif. Et chaque individu a un passif différent. » L’achat d’un bien immobilier, le financement des études des enfants, la préparation de la retraite sont autant de variables que l’IA peut intégrer pour construire des solutions sur mesure. Son apport fondamental réside dans sa capacité à passer à l’échelle : « L’humain n’est pas scalable, à la différence de l’IA. »
Serge Darolles pose aussi la question dérangeante du transfert de savoir. Chaque interaction avec un modèle constitue une forme de renforcement gratuit. « On est en train de transférer notre connaissance à l’IA gratuitement. Et c’est comme ça que l’IA va s’améliorer », analyse-t-il. La question devient alors stratégique : « Est-ce qu’on participe ou est-ce qu’on ne participe pas à ce jeu ? » Car refuser ce transfert, c’est renoncer aux gains de productivité que les concurrents, eux, capteront.
L’humain augmenté bat la machine seule
Les travaux académiques confortent l’approche hybride. Fabrice Riva, professeur des universités et directeur du master Finance d’entreprise et ingénierie financière à Paris Dauphine-PSL, a présenté une étude portant sur un million de prévisions de cours à douze mois, réalisées par quelque 12 000 analystes sur 6 000 entreprises américaines. Il constate que « la machine va battre l’homme en moyenne 55 % du temps ». L’humain conserve l’avantage dans les environnements complexes, à savoir les petites capitalisations, les actifs intangibles, la faible liquidité. Mais c’est la combinaison des deux qui produit les meilleurs résultats : elle élimine « 90 % des erreurs les plus flagrantes faites par les humains » et « 40 à 50 % » de celles de la machine. « On est sur des solutions man “plus” machine, plutôt que man “versus”machine », résume Fabrice Riva.
Sur cet aspect, l’AMF adopte une posture qui se veut ni punitive ni attentiste. « Il y aura toujours une responsabilité humaine qui sera recherchée, ne serait-ce que parce qu’un superviseur n’a pas la capacité de sanctionner un algorithme », souligne Sébastien Raspiller. Le principe cardinal demeure : toujours un humain dans la boucle, toujours une entité responsable. Le régulateur observe toutefois une dépendance croissante aux prestataires technologiques – « qui ne sont pas forcément le petit sous-traitant » mais les grands acteurs américains du cloud.
Côté épargnants, le message mêle vigilance et pragmatisme. « 11 % des Français utilisent déjà l’IA pour rechercher des informations avant d’investir », mais « plus de 90 % de ces 11 % utilisent une autre source d’information pour trianguler (...) Si l’IA arrive à déjargonner la finance, ça peut être pas mal », concède Sébastien Raspiller, tout en rappelant qu’elle « ne se substitue pas à une analyse critique, à un conseil professionnel ».
Vulnérabilités techniques
Wassim Bouaziz, chercheur en sûreté de l’IA chez Mistral AI et docteur de l’École polytechnique, a posé le cadre des vulnérabilités. Sa démonstration a frappé les esprits : un simple espace ajouté dans une phrase suffit à inverser le sens d’une traduction automatique ; un texte invisible caché dans un CV peut manipuler l’analyse d’un recruteur par un LLM ; le remplacement d’un seul mot dans un tweet peut retourner la prédiction d’un modèle boursier. « Ces systèmes d’IA ne sont pas infaillibles, mais ce n’est absolument pas un bug. On a conçu ces systèmes pour être sensibles à tout un tas de signaux faibles, et cela laisse la place à des vulnérabilités », a-t-il résumé.
Plus inquiétant pour la finance, Wassim Bouaziz a mis en garde contre l’empoisonnement stratégique des données d’entraînement (data poisoning), une technique de manipulation qu’il a étudiée dans sa thèse : « Si les modèles gagnent de l’influence sur les marchés, il est tout à fait raisonnable d’imaginer que les marchés en retour vont chercher à gagner de l’influence sur les modèles. »
Katia Meziani, professeure de mathématiques et directrice du master Ingénierie Statistique et Financière à Paris Dauphine-PSL, a complété ce tableau en identifiant trois familles de risques technologiques émergents : la dépendance aux données historiques dans des marchés non stationnaires, l’opacité des modèles qui engendre un vide de responsabilité juridique, et la vitesse d’exécution qui dépasse la capacité de supervision humaine. « On va se retrouver avec des comportements collectifs inattendus qui vont pouvoir entraîner une amplification de marché », a-t-elle averti. Pour y répondre, Katia Meziani insiste sur la formation : « Les étudiants qui font une thèse en IA et vont travailler chez les fonds d’investissement, c’est pour faire du modèle interprétable. Cette compétence-là, on ne peut pas encore l’avoir avec une IA ni un bon LLM. »
Monoculture algorithmique
La menace systémique a été résumée par Mathieu Caquineau : « L’IA a le potentiel de rendre les marchés plus efficients, mais à la fois aussi plus fragiles et moins résilients, parce qu’il y a une tendance à l’unanimisme des IA. » Le scénario redouté est celui d’une monoculture algorithmique dans laquelle des milliers de modèles similaires, entraînés sur les mêmes données, réagiraient de manière corrélée à un signal erroné, déclenchant des ventes massives et amplifiant les chocs – un flash crash à l’échelle systémique. Fabrice Riva a rappelé le précédent de Knight Capital en 2012 : « Un algorithme qui a réussi à perdre 450 millions de dollars en 45 minutes. »
La question posée en ouverture a ainsi trouvé, à Dauphine, une réponse provisoire mais convergente : l’IA peut accompagner la décision, pas la prendre seule. La marée monte, lentement mais inexorablement. L’enjeu pour les acteurs financiers, les régulateurs et les formateurs est de s’y préparer... sans s’y noyer.
