Le secteur de la gestion d’investissement traverse une phase déterminante avec l’essor de l’intelligence artificielle (IA). De plus en plus d’agents d’IA sont intégrés dans le quotidien des gestionnaires de portefeuille, des analystes et des responsables de la conformité. Cette évolution soulève des questions fondamentales sur les différentes formes d’intelligence utilisées dans ce domaine.
Les modèles de langage de grande taille (LLM) représentent une avancée notable par rapport à des systèmes basiques tels que ChatGPT. L’IA agentique, à titre d’exemple, va au-delà des simples outils en observant, analysant et prenant des décisions, parfois même en agissant au nom d’un humain dans des limites précises.
Index du contenu:
Les enjeux de l’adoption de l’IA
Pour les entreprises d’investissement, se pose la question de la nature des systèmes d’IA : doivent-ils être perçus comme des outils d’aide à la décision, des analystes autonomes ou des traders délégués ? Chaque option offre des opportunités de définir des limites claires et de protéger les outils en place. En l’absence d’une classification adéquate, la gouvernance de l’IA devient problématique et l’évolutivité en pâtit.
La nécessité d’une taxonomie
Dans ce contexte, une équipe de recherche de l’Université DePaul et de Panthera Solutions a développé un système de classification multidimensionnelle des agents d’IA dans la gestion d’investissement. Ce système propose un langage commun pour évaluer ces agents selon des critères tels que l’autonomie, la fonction, la capacité d’apprentissage et la gouvernance.
Les dirigeants des entreprises d’investissement peuvent ainsi appréhender les étapes nécessaires pour concevoir une taxonomie de l’IA et établir un cadre pour cartographier les agents d’IA déployés. En l’absence de cette taxonomie, le risque de surconfiance ou de sous-utilisation de cette technologie, qui redéfinit déjà les méthodes d’allocation de capital, est réel.
Une approche fonctionnelle versus systémique
Actuellement, les gestionnaires d’investissement adoptent l’IA de deux manières distinctes. La première approche voit l’IA comme un ensemble fonctionnel d’outils, utilisés pour des tâches telles que l’évaluation des risques ou l’extraction de sentiments via des processeurs de langage naturel. Bien que cela améliore l’efficacité, le processus décisionnel reste dominé par l’humain, l’IA jouant un rôle périphérique.
Intégration des agents d’IA dans le processus décisionnel
À l’inverse, un nombre croissant d’entreprises choisissent d’adopter une vision systémique. Dans cette optique, les agents d’IA sont intégrés au processus de conception d’investissement comme participants adaptatifs, et non simplement comme outils auxiliaires. Cela nécessite une définition précise des notions d’autonomie, de capacité d’apprentissage et de gouvernance, créant ainsi un écosystème décisionnel où le jugement humain et le raisonnement machine coexistent et évoluent ensemble.
Cette distinction est essentielle : une adoption fonctionnelle peut engendrer des outils plus rapides, tandis qu’une adoption systémique favorise l’intelligence organisationnelle. Bien que les deux approches puissent coexister, seule la seconde peut garantir un avantage comparatif durable.
Les dimensions de l’IA dans les marchés financiers
À l’image de l’approche d’Antonio Damasio, qui soulève que toute forme d’intelligence aspire à un équilibre, les marchés financiers, en tant que systèmes adaptatifs complexes, doivent parvenir à une synergie entre données et jugement, automatisation et responsabilité, ainsi qu’entre profit et durabilité environnementale.
Un cadre d’IA intelligent devrait se refléter dans une cartographie des agents d’IA le long de trois dimensions orthogonales : le processus d’investissement, l’avantage comparatif et la plage de complexité.
Les modèles de langage de grande taille (LLM) représentent une avancée notable par rapport à des systèmes basiques tels que ChatGPT. L’IA agentique, à titre d’exemple, va au-delà des simples outils en observant, analysant et prenant des décisions, parfois même en agissant au nom d’un humain dans des limites précises.0
Les modèles de langage de grande taille (LLM) représentent une avancée notable par rapport à des systèmes basiques tels que ChatGPT. L’IA agentique, à titre d’exemple, va au-delà des simples outils en observant, analysant et prenant des décisions, parfois même en agissant au nom d’un humain dans des limites précises.1
Les modèles de langage de grande taille (LLM) représentent une avancée notable par rapport à des systèmes basiques tels que ChatGPT. L’IA agentique, à titre d’exemple, va au-delà des simples outils en observant, analysant et prenant des décisions, parfois même en agissant au nom d’un humain dans des limites précises.2
Les modèles de langage de grande taille (LLM) représentent une avancée notable par rapport à des systèmes basiques tels que ChatGPT. L’IA agentique, à titre d’exemple, va au-delà des simples outils en observant, analysant et prenant des décisions, parfois même en agissant au nom d’un humain dans des limites précises.3