La salle de marché à l'ère de l'IA

Pourquoi le sujet est partout, et pourquoi personne n'y répond clairement

En 2024, BlackRock a annoncé qu'Aladdin — sa plateforme de gestion des risques utilisée pour piloter plus de 20 000 milliards de dollars d'actifs à travers l'industrie — intégrait désormais des modèles de langage. JPMorgan a déposé une marque pour IndexGPT. Goldman Sachs reconnaît publiquement qu'une partie de ses analystes utilisent ChatGPT au quotidien pour leur premier travail de synthèse. Du côté quantitatif, Two Sigma et Renaissance Technologies ont depuis longtemps fait du machine learning leur métier, sans s'en vanter.

À côté de ce mouvement, un autre bruit : promesses de startups, annonces de "trading par IA" sur les réseaux sociaux, robo-advisors qui se réinventent en AI-powered. Le mot a perdu sa précision. Quand un dirigeant de cabinet patrimonial parle d'IA en finance, il pense souvent à six choses différentes simultanément — sans pouvoir nommer aucune.

C'est ce flou qui rend la conversation impossible avec les clients. Ils demandent des réponses simples ; les réponses simples sont fausses ; les réponses justes paraissent évasives. Ce papier sert à fournir le cadre que la presse généraliste ne donne pas.

Que recouvre exactement "l'IA en finance" ?

Trois familles de techniques cohabitent sous le même mot, et la confusion entre elles produit la plupart des malentendus.

Le machine learning prédictif cherche à inférer une relation entre des variables d'entrée et une variable de sortie, à partir de données historiques. Appliqué aux marchés, il tente — c'est l'usage le plus médiatisé — de prédire le sens ou l'amplitude d'un mouvement futur. C'est aussi l'usage qui résiste le plus mal à la réalité. Eugene Fama a reçu son prix Nobel en 2013 pour avoir documenté pourquoi les marchés liquides intègrent l'information trop rapidement pour que cette prédiction soit fiable. Cinquante ans plus tard, les meilleurs gérants quantitatifs publient sur l'erreur, pas sur les recettes : Marcos Lopez de Prado, ancien responsable du machine learning chez AQR et professeur à Cornell, a consacré l'essentiel de ses travaux à expliquer pourquoi la majorité des stratégies de ML produites en finance sont des artefacts statistiques.

Le machine learning analytique ne cherche pas à prédire. Il classe, regroupe, détecte. Identifier qu'un flux d'ordres présente un comportement anormal, repérer une absorption silencieuse de liquidité, signaler qu'un instrument se comporte comme jamais auparavant : c'est de la détection, pas de la divination. Ces modèles fonctionnent parce qu'ils répondent à une question modeste — est-ce normal ? — au lieu d'une question impossible — que va-t-il se passer ?

Les grands modèles de langage (ChatGPT, Claude, Gemini et leurs équivalents internes développés par les grandes banques) constituent la troisième famille. Leur usage en finance institutionnelle est récent et concentré sur des tâches de transformation de texte : synthèse de notes d'analystes, extraction d'information à partir de documents réglementaires, rédaction de premiers jets de rapports clients, analyse de transcriptions de conférences téléphoniques. Pas d'investissement. Pas de décision. De la productivité.

Distinguer ces trois familles, c'est déjà avoir 80 % de la conversation. L'IA "qui prédit les cours" appartient à la première. L'IA "qui aide les pros à mieux voir" appartient à la deuxième. L'IA "qui rédige plus vite" appartient à la troisième. Les confondre, c'est garantir le malentendu.

Ce que l'IA fait réellement aujourd'hui

Quatre usages concentrent l'essentiel de la valeur réellement créée. Aucun ne ressemble à ce que la presse grand public raconte.

Détection d'anomalies de flux. Une salle de marché reçoit chaque seconde des dizaines de milliers d'événements : ordres ajoutés, modifiés, retirés, exécutés. Aucun humain ne peut tout regarder. Des modèles entraînés sur l'historique du carnet d'ordres signalent en temps réel les configurations inhabituelles — absorptions massives à un niveau précis, exhaustions soudaines, motifs d'icebergs sur certains contrats, comportements algorithmiques étrangers. L'IA ne dit pas quoi faire ; elle dit regarde ici. Le gérant garde la lecture et la décision.

Optimisation d'exécution. Quand un fonds doit acheter ou vendre une position significative sans bouger le prix contre lui, il découpe l'ordre. La manière de découper — quelle taille, sur quelles fenêtres, sur quels venues — est devenue un problème d'apprentissage. Des modèles de reinforcement learning optimisent ces séquences en simulant des millions de scénarios. Sur des ordres de plusieurs centaines de millions de dollars, gagner trois points de base d'exécution représente des sommes significatives. Cette discipline, qui n'existait quasiment pas il y a quinze ans, occupe aujourd'hui des équipes entières chez les courtiers tier-1 (Goldman, JPMorgan, Citadel).

Analyse post-décision. Chaque position prise par un gérant peut être scorée après coup sur plusieurs dimensions : qualité du timing d'entrée, qualité du stop, slippage subi, comparaison à une exécution optimale rétrospective, biais comportementaux récurrents — le gérant prend-il systématiquement profit trop tôt sur les longs, garde-t-il trop longtemps les perdants sur les courts ? L'IA agit ici comme un coach silencieux : elle montre au gérant ses propres motifs qu'il ne voit pas. C'est probablement l'usage le plus sous-estimé.

Synthèse d'information. Les LLM lisent les transcriptions de conférences téléphoniques de résultats, extraient les changements de ton, signalent les divergences entre discours et chiffres, agrègent les rapports brokers, transforment cent pages de prospectus en deux pages de points saillants. Pas de signal de trading direct, mais une économie de temps qui se mesure en jours de travail par mois pour les équipes de recherche.

Aucun de ces quatre usages ne se trouve dans le conseil patrimonial classique. Pas parce que l'industrie est en retard — parce qu'elle ne pratique pas ce métier-là.

Ce que l'IA ne fait pas, et ne fera pas

Une partie de l'honnêteté intellectuelle, en 2026, consiste à dire ce qui ne fonctionne pas.

Prédire les prix de façon fiable et reproductible. Cinquante ans de littérature académique convergent : sur les actifs liquides cotés sur des marchés organisés, la prévisibilité au-delà du très court terme est, sinon nulle, du moins beaucoup plus faible que ne le laissent croire les démonstrations rétrospectives. Lopez de Prado parle ouvertement de "faux positifs systématiques" dans l'industrie : la plupart des modèles présentés comme prédictifs ne résistent pas à une réplication indépendante avec des données out-of-sample propres. Les chiffres qui circulent sur les performances des fonds purement IA souffrent du même biais de survie qui flatte historiquement les hedge funds : on entend ceux qui marchent une saison, jamais ceux qui ferment.

Comprendre le contexte rare. Un modèle est entraîné sur ce qui s'est passé. Quand 2008, 2020 ou 2022 arrivent — événements par définition hors distribution — les modèles entraînés sur le calme produisent des décisions absurdes. C'est la raison pour laquelle les modèles automatiques de la quasi-totalité des hedge funds sont coupés ou supervisés manuellement dans ces périodes. L'humain prend le relais parce que l'humain a déjà vu des choses différentes dans sa vie de marché. Le modèle, lui, n'a jamais vu un mois de mars 2020.

Porter une responsabilité fiduciaire. Quand une décision tourne mal, un client veut quelqu'un en face. Pas un modèle. Cette dimension humaine et réglementaire n'est pas un détail : elle structure le métier de la gestion sous mandat depuis qu'il existe. Aucun cadre juridique actuel ne permet à une IA de signer la responsabilité d'une perte.

Tenir une relation. Une partie de ce qui se vend dans la finance privée n'est pas un rendement — c'est une présence. L'investisseur qui confie 300 000 euros après la cession de son cabinet ne cherche pas une plateforme. Il cherche un interlocuteur qui comprend pourquoi il les a gagnés. Aucun robo-advisor n'a encore résolu ce problème, et la concentration de l'épargne haut de gamme chez les gérants à incarnation forte (Carmignac, Pictet, Lombard Odier) suggère que le problème ne sera pas résolu côté machine.

Qui décide, en réalité

Le modèle qui fonctionne en 2026, dans les meilleures maisons, n'est ni 100 % humain ni 100 % machine. C'est un hybride dont l'architecture est devenue assez stable pour être nommée.

L'IA fait trois choses : elle élargit le champ de perception du gérant — voir ce qu'aucun humain ne pourrait surveiller en simultané. Elle réduit le bruit — filtrer les configurations sans intérêt pour ne montrer que les anomalies. Elle fournit un miroir — analyser les décisions passées sans complaisance.

L'humain garde trois choses : le jugement contextuel — cette anomalie est-elle pertinente maintenant, dans ce régime de marché ? L'arbitrage final — entrer, sortir, attendre, renforcer — un acte que l'IA peut suggérer mais pas porter. La responsabilité — devant le client, devant le régulateur, devant soi-même.

Renaissance Technologies, qui est probablement la maison de gestion la plus algorithmique au monde, emploie plusieurs centaines de personnes pour gérer son fonds Medallion. Bridgewater, le plus gros hedge fund du monde, repose sur un système hybride où les principles écrits par Ray Dalio guident les décisions que les modèles préparent. Two Sigma a fait du couplage humain-modèle son slogan. Aucun de ces géants ne fait confiance à 100 % à ses propres machines.

À l'autre extrémité, les fonds "100 % IA" qui défrayaient la chronique au milieu des années 2010 — Aidyia Holdings, Sentient Investment Management, Numerai et quelques autres — ont soit fermé, soit pivoté vers des modèles hybrides, soit produit des performances inférieures aux indices de référence. Le marché a tranché.

Idées reçues

"L'IA va remplacer les gérants."

Faux. La part des décisions d'investissement autonomes prises par IA dans les grandes maisons reste très minoritaire. Les effectifs des fonctions front office dans les meilleures maisons quantitatives n'ont pas diminué — ils se sont reconvertis. Un quant en 2026 lit du machine learning. Il n'a pas disparu.

"Les algorithmes contrôlent les marchés."

Confusion fondamentale. Les algorithmes représentent effectivement une part majoritaire des volumes échangés sur les marchés liquides — l'ordre de grandeur communément avancé pour les actions américaines se situe entre 60 et 80 %. Mais "algorithme" ici recouvre principalement du HFT (high-frequency trading), de l'exécution automatique pour le compte de clients institutionnels, et du market making électronique. Très peu d'IA prédictive. Le HFT n'est pas l'IA. Confondre les deux, c'est confondre l'autoroute et la voiture.

"Avec ChatGPT, on peut faire ses placements."

Inutilement risqué. Les LLM n'ont pas accès aux prix en temps réel — sauf via outils branchés, et même là, les latences sont incompatibles avec une décision de marché. Ils hallucinent régulièrement sur des données chiffrées. Ils ne portent aucune responsabilité. Ils peuvent aider à comprendre — à synthétiser un prospectus, à expliquer un concept, à structurer une question à poser à son conseiller. Pas à décider.

"Le quantitatif remplace le discrétionnaire."

Mythe persistant. Sur les vingt dernières années, les performances comparées des hedge funds Quants et Discrétionnaires ne montrent pas de domination claire d'une famille sur l'autre. Les régimes de marché favorisent alternativement l'une ou l'autre. La complémentarité entre les deux approches est mieux documentée que leur opposition.