Fin 2025, un modèle de raisonnement a décroché un score record de 97,6 % au niveau I de l’examen CFA, la certification de référence pour les analystes financiers dans le monde. Deux ans plus tôt, les meilleurs modèles peinaient encore à valider un seul des trois niveaux. Entre ces deux dates, ce n’est pas la Bourse qui a changé de nature : c’est l’accès à l’information qui a changé de vitesse.
Ce basculement ne rend pas un particulier plus intelligent qu’un professionnel : il déplace simplement l’endroit où se loge l’avantage. Tant que dépouiller un rapport annuel ou une note d’analyste demandait des heures, payer pour l’expertise d’un conseiller en investissement financier avait un sens évident : quelqu’un lisait plus vite et plus large que vous. Quand cette lecture devient instantanée et presque gratuite, l’écart d’information rétrécit, et il faut chercher ailleurs ce qui distingue encore un jugement solide d’un pari mal informé.
Historiquement, cet avantage informationnel reposait sur trois goulets d’étranglement : le temps de lecture, le coût d’accès aux données spécialisées (bases de données professionnelles, abonnements aux notes d’analystes) et la rareté de compétences pour extraire un signal d’un tableau de 300 pages. L’IA générative a fait sauter les deux premiers presque d’un coup. Le troisième, en revanche, ne s’est pas dissous : il s’est simplement déplacé vers une question différente, celle de savoir si le signal repéré tient encore debout une fois le contexte changé.
L’IA a démocratisé la lecture, pas la compréhension
La performance mesurée fin 2025 par les chercheurs du SecureFinAI Lab de l’université Columbia, dans une étude publiée sur arXiv, illustre l’ampleur du saut : sur 980 questions couvrant les trois niveaux de l’examen CFA, plusieurs modèles de raisonnement (Gemini 3.0 Pro, GPT-5, ou encore Claude Opus 4.1) valident désormais l’ensemble du cursus, certains dépassant 90 % sur des épreuves données. Utilisés comme outils d’IA pour l’analyse financière, ces modèles savent résumer un bilan, recalculer un ratio d’endettement ou reformuler une note d’analyste en quelques secondes.
Ce que ce résultat mesure reste toutefois circonscrit : la capacité à répondre correctement à des questions fermées, dans un cadre d’examen où la bonne réponse existe déjà, quelque part, dans les données d’entraînement. Une salle de marché réelle pose rarement des questions à choix multiples.
L’IA peut-elle prédire la Bourse ? Le piège de la confiance mal placée
Pas de façon fiable en toutes circonstances, et c’est précisément le point à retenir. Un modèle peut décrire avec justesse ce qui s’est passé, expliquer un mécanisme comptable ou macroéconomique connu, sans pour autant savoir si ce mécanisme continuera à produire le même effet demain. La différence entre décrire le passé et anticiper l’inédit est exactement ce que la recherche récente sur ces modèles commence à documenter.
Une étude conjointe de chercheurs d’OpenAI et de Georgia Tech, publiée en septembre 2025, apporte un éclairage utile sur cette limite. Elle montre que les modèles de langage ne se trompent pas par accident : leurs procédures d’entraînement et d’évaluation récompensent structurellement la réponse assurée plutôt que l’aveu d’incertitude. Interrogé sur une hypothèse de marché, un modèle préfère produire une estimation plausible plutôt que reconnaître qu’il ne sait pas, un peu comme un candidat d’examen qui devine plutôt que de laisser une case vide.
Cette mécanique devient un vrai problème dès qu’on sort du terrain connu. Sur une question posée dans un contexte déjà largement documenté (une entreprise cotée depuis vingt ans, un secteur stable), un modèle produit une synthèse fiable des faits publics. Sur une hypothèse inédite, un choc réglementaire ou un retournement de cycle jamais vu dans ses données d’entraînement, il continuera de répondre avec la même assurance apparente, sans jamais signaler que le terrain sous ses pieds a changé.
Corrélation n’est pas causalité : l’exemple du parapluie
Un modèle statistique repère qu’un événement suit souvent un autre : il ne sait pas pourquoi. Prenez un système entraîné sur des images de rue prises dans une seule ville : il apprendra vite qu’un trottoir couvert de parapluies ouverts précède presque toujours une averse. La corrélation est réelle, et le modèle l’exploitera avec succès tant qu’il reste dans cette ville et ce climat. Déplacez la même caméra dans une région où l’on sort le parapluie pour se protéger du soleil, et la prédiction s’effondre, non pas parce que le modèle a mal calculé, mais parce qu’il n’a jamais compris le mécanisme physique (pression atmosphérique, humidité, nuages) qui relie réellement les parapluies à la pluie.
Un modèle entraîné sur une décennie de marchés à taux bas peut, de la même façon, repérer qu’un signal donné précédait souvent la hausse d’un secteur. Il ne sait pas si ce lien tenait à la liquidité abondante, à une politique monétaire précise ou à un effet de mode passager. Quand le régime change, relèvement des taux, choc géopolitique, nouvelle réglementation, rien ne garantit que la corrélation survit, et le modèle n’a aucun moyen interne de vous avertir qu’il extrapole hors de ce qu’il a réellement appris.
Ce qui reste un avantage : le jugement, pas la vitesse
Une étude menée fin 2025 par des chercheurs de UC Berkeley, Stanford, IBM Research et Intesa Sanpaolo, fondée sur des entretiens avec des équipes qui déploient réellement des IA en production, va dans le même sens. Les déploiements qui fonctionnent partagent un point commun : ils restent simples, strictement bornés et supervisés en continu. Dans l’échantillon étudié, près de sept systèmes sur dix s’arrêtent après une dizaine d’étapes au maximum avant qu’un humain reprenne la main, et la fiabilité dans la durée reste, de loin, le principal point de friction cité par les praticiens.
Transposé à l’analyse financière, ce constat dessine assez précisément où se loge l’avantage qui reste : pas dans la vitesse de lecture, que l’IA a rendue banale, mais dans la capacité à savoir quelle question poser, à quel moment resserrer la supervision, et à reconnaître qu’un modèle a quitté le terrain qu’il connaît. C’est aussi ce qui sépare une lecture superficielle des enjeux de l’investissement financier d’une compréhension qui tient encore debout face à un scénario que personne n’avait anticipé.
Concrètement, cela ne veut pas dire renoncer à ces outils, mais changer la question qu’on leur pose. Plutôt que de demander à un modèle « que va faire ce secteur », il devient plus utile de lui demander de reconstituer le raisonnement derrière une hausse passée, puis de vérifier soi-même si les conditions qui l’ont produite sont toujours réunies. La rapidité de lecture appartient désormais à la machine ; l’examen critique du pourquoi, lui, ne se délègue pas encore.
L’IA a fait disparaître l’avantage qui reposait sur l’accès à l’information ; elle n’a rien réglé à la question qui précède toute décision d’investissement, à savoir pourquoi un phénomène se produit et jusqu’où on peut s’y fier quand le contexte change. Cette question-là reste, pour l’instant, entièrement humaine.
Contenu éducatif et informatif. Ce n’est pas un conseil en investissement. Investir comporte un risque de perte en capital.
Crédits photo : Pixabay (licence Pixabay Content License, usage commercial libre).
