L’intelligence artificielle (IA) a connu un essor fulgurant ces deux dernières décennies avec le développement des outils d’IA générative, dont ChatGPT est le plus emblématique. Le recours aux nouvelles technologies (IA, Big Data, algorithmes d’aide à la décision) par le secteur financier est en forte croissance. C’est dans ce contexte que la 17e édition du Forum international des risques financiers (Risks Forum) s’est déroulée, les 18 et 19 mars à la Chambre de Commerce et d’Industrie de Région Paris-Île-de-France, sur le thème « Big data et finance algorithmique ».
Comment expliquer la vague actuelle de l’IA ?
Les algorithmes sont partout et la finance n’y échappe pas. Ils imprègnent nos activités quotidiennes, en façonnant les processus de production des entreprises et la fourniture de services. L’avènement du Big Data et l’adoption généralisée de l’apprentissage automatique ont été facilités par l’augmentation de la capacité de calcul/mémoire des ordinateurs, la hausse du volume de données disponible grâce à la révolution Internet et l’essor des capacités de stockage bon marché. La manifestation récente la plus visible de cette tendance est sans doute le développement rapide de grands modèles de langage (LLM), dont les capacités sont non seulement impressionnantes, mais également largement accessibles au plus grand nombre.
Doit-on s’attendre à une disruption dans la finance ?
Les vingt dernières années ont connu une domination croissante de la technologie et des données dans le domaine financier, ce qui a permis une rationalisation de nombreuses activités. La prépondérance et le recours aux algorithmes devraient encore s’accélérer dans les années à venir, ce qui crée de nombreuses opportunités, mais aussi d’importants défis.
Aujourd’hui, les modèles d’IA peuvent aider les banques et institutions financières à :
– réduire leurs risques/coûts financiers et opérationnels grâce à une automatisation de certaines procédures (détection de fraude, credit scoring algorithmique, routage d’emails, etc.) ;
– exploiter des données non structurées pour créer des opportunités d’investissement (trading algorithmique, analyse prédictive sur base de données textuelles, d’images, etc.) ;
– mieux servir les clients, grâce à une personnalisation du service (clustering client, analyse comportementale, robo-advice, etc.).
L’IA générative automatise des tâches complexes dont on pensait qu’elles ne pourraient jamais être automatisées. La finance fait partie des secteurs où l’activité de « traitement de l’information » est prépondérante, et beaucoup d’emplois qualifiés, augmentés ou remplacés par une IA, seront impactés, comme cela a été démontré dans un article de recherche récent1.
Cette utilisation croissante de l’IA génère aussi des risques nouveaux. L’IA peut être une boîte noire, et soulève des questions quant à la qualité des données, sa représentativité, mais aussi l’explicabilité des algorithmes utilisés. Les indicateurs construits à l’aide d’IA sont aussi plus sujets à de la manipulation. La communication des dirigeants d’entreprises a, par exemple, été refaçonnée depuis qu’elle est « écoutée » par des algorithmes. L’usage de données scrappées sur les blogs et médias sociaux peut rendre l’information extraite excessivement volatile et sujette à du « sentiment ». L’hyper-personnalisation peut conduire à baser des décisions financières sur des caractéristiques clients peu fiables et sujettes à de larges erreurs d’estimation.
La finance pourrait-elle devenir algorithmique ?
Le secteur de la gestion d’actifs est un laboratoire intéressant, car il est emblématique des évolutions possibles. D’un côté, l’accès accru aux données et à la technologie ont rendu l’investissement passif plus compétitif, et plus difficile pour les gestionnaires actifs d’accéder à des avantages informationnels2 ; deux chercheurs montrent que la capacité de sélection de titres des gérants actifs se détériore avec l’usage accru de données satellitaires sur l’univers de titres couvert par ces nouvelles données. Mais d’un autre côté, si l’abondance de données s’accompagne d’une détérioration de la qualité de l’information (données bruitées etc.), cela peut réduire l’informativité des prix et rendre plus attractif l’investissement actif sur la base d’une analyse plus lente et plus approfondie. De même, la baisse des coûts de transaction a, dans un premier temps, favorisé le trading haute fréquence, mais elle a aussi participé à la renaissance du trading des particuliers (qui représente près de 20 % du volume d’échange sur le marché actions aux États-Unis), rendant lors de certains épisodes, les marchés moins efficients (cf. l’affaire Gamestop en janvier 2021).
Les marchés restent difficiles à prévoir : leur équilibre dépend du comportement de leurs participants, qui peuvent changer dans le temps, rendant les dynamiques de rendements non stationnaires. C’est aussi un monde où la taille des données financières (les historiques de prix) reste relativement restreinte (même avec des données haute fréquence), rendant les champs d’application de l’IA plus difficiles que dans d’autres domaines. En matière de prévision, les algorithmes de machine learning n’offrent pas des performances aussi prometteuses qu’on aurait pu l’attendre3.
Du côté de la gestion de patrimoine et de l’investissement des particuliers, là aussi, les algorithmes offrent de nombreuses promesses : robo-advising, analyse comportementale, customisation des interactions clients, etc. De nombreux développements sont en cours, et si les robots-conseillers ont concrètement permis d’améliorer les décisions financières des particuliers4, leur capacité à éclipser le conseil financier humain (aversion aux algorithmes des clients et préférence pour le conseil humain, contraintes réglementaires limitant certains développements). L’utilisation accrue des plateformes de trading en ligne et des médias sociaux a exacerbé les biais d’investissement des particuliers5.
Une chose semble certaine : l’IA profitera davantage aux grands acteurs et on devrait s’attendre à une concentration croissante du marché, y compris dans le domaine financier. La capacité à investir dans la technologie et les données constitue un différenciateur clé.
Quels sont les besoins en matière de recherche académique ?
Nous sommes à l’aube d’une nouvelle phase de développement de l’IA et de ses applications. Plus que jamais nous avons besoin de recherche pour répondre aux nombreuses questions qui se posent.
1. Quels sont les risques potentiels que ces technologies pourraient poser pour la stabilité financière et économique, ainsi que sur les inégalités ? Quel coût financier mais aussi quelles émissions de Co2 liées à l’utilisation de l’IA ?
2. Quel est l’impact de l’utilisation des modèles d’IA sur les risques, les biais et la discrimination ?
3. Quel sera l’impact du remplacement de la main-d’œuvre par de l’IA sur les performances des entreprises ? Comment envisager des collaborations humains/machines efficaces ?
4. Enfin, quelles solutions réglementaires apporter pour un développement harmonieux de l’IA dans le secteur financier ?
Toutes ces problématiques ont été abordées durant le Risks Forum, ce qui a permis d’approfondir nos réflexions sur les opportunités et les risques de ces technologies.
