POINTS CLÉS À RETENIR
À l’heure actuelle, la plupart des gens sont capables de repérer un e-mail rédigé par une IA débutante : l’utilisation excessive du tiret, ou la mention « voici une version plus humaine » que quelqu’un a oublié de supprimer avant d’appuyer sur « envoyer ». À Wall Street, le problème le plus grave est plus difficile à détecter, car il réside dans le raisonnement. Et lorsque ce raisonnement détermine où va le capital, une faille est bien plus difficile à repérer.
Les immeubles de Wall Street se ressemblent peut-être tous, mais ils ne sont pas censés penser ainsi, et il n’y a rien que Wall Street déteste davantage qu’un marché dépourvu de tension. C’est la tension qui fait fonctionner un marché. Lorsque tout le monde est d’accord, le marché cesse de générer des cours et s’installe dans un consensus, et ce consensus est balayé par l’arbitrage en l’espace d’un après-midi.
C’est ce qui rend si dangereusement insidieux le nouvel axe qui se dessine en coulisses sur ce marché. Les comités de gestion des risques surveillent déjà la concentration sectorielle, mais il s’agit ici d’un phénomène d’un autre ordre. Une part croissante des décisions prises au sein d’entreprises concurrentes passe désormais par le même petit ensemble de systèmes d’IA: même architecture, même apprentissage, même raisonnement, logos différents.
Pourquoi les entreprises du secteur financier se tournent-elles vers les mêmes modèles d'IA ?
Pour la plupart des entreprises, le choix s’est fait davantage pour des raisons de responsabilité que par la conviction qu’un modèle était meilleur qu’un autre. La question centrale est de savoir quel raisonnement elles pourront défendre par la suite, tant auprès de leurs avocats et des juges lors de futurs litiges qu’auprès de leurs clients. Il faut choisir le fournisseur dont le nom est reconnu et qui dispose d’une piste d’audit, afin que ce ne soit pas votre propre nom qui soit associé à un éventuel échec. La mentalité de troupeau impliquerait que personne ne réfléchit. Il s’agit plutôt d’une sécurité par le nombre, chaque entreprise raisonnant de manière indépendante et adoptant la même posture défensive. Une enquête KPMG de 2026 a révélé que 93 % des entreprises américaines prévoient de déployer ou de développer l’IA dans le domaine financier d’ici dix-huit mois, et que 94 % s’appuient déjà sur un tiers pour garantir les résultats.
L'objection qui vient immédiatement à l'esprit est que ce phénomène n'est pas nouveau. La technologie tend toujours à se concentrer entre les mains de quelques fournisseurs, et le cloud computing s'appuie déjà sur une poignée de plateformes. Mais le cloud était l'infrastructure sur laquelle une entreprise s'appuyait, et il n'avait pas d'opinion. L'IA, en revanche, en a une, et elle dirige de plus en plus l'activité ; c'est pourquoi la convergence s'est déplacée des infrastructures vers la réflexion elle-même.
Les entreprises invoqueront leurs données exclusives comme une exception et, bien que cela constitue un réel avantage, modifier ce que le modèle lit ne change en rien sa manière de raisonner. Une bibliothèque unique en son genre ne fait pas pour autant un bibliothécaire hors du commun.
Quand la réflexion collective se heurte aux tensions du marché
Les conséquences de ce phénomène sont déjà visibles dans les données. Une étude du NBER publiée en 2025 par Dou, Goldstein et Ji a révélé que des agents de trading basés sur l’IA et utilisant l’apprentissage par renforcement peuvent, de manière indépendante, aboutir à une tarification collusoire et supra-concurrentielle « sans accord, sans communication ni intention ». Aucune coordination n’a eu lieu. C’est le raisonnement commun qui a agi de lui-même.
L’exemple le plus parlant de ce à quoi cela ressemble concrètement s’est produit en juillet 2026, lorsque Situational Awareness LP, un fonds spéculatif axé sur des paris concentrés dans les infrastructures d’IA, a perdu 67 % en un mois et a cédé la majeure partie de son portefeuille d’actions cotées, d’une valeur d’environ 16 milliards de dollars, à Citadel ; Sandisk a chuté de 54 % au cours du même mois. Il s’agissait là de l’effet de levier combiné à un thème commun, ce qui constitue la forme la plus superficielle de ce risque. L’afflux massif vers ce même raisonnement est plus profond, et il n’a pas encore entraîné d’effondrement en soi. Compte tenu de la violence avec laquelle la version superficielle s’est effondrée, il n’y a guère de raisons de s’attendre à ce que la version plus profonde soit plus modérée.
Si l’on applique ce même mécanisme de raisonnement à l’échelle d’un marché, les acteurs auront tendance à passer à côté du même signal au même moment, ou à corriger leurs positions dans la même direction au même moment. Ces deux scénarios peuvent déboucher sur un krach. Des recherches récentes sur les attaques adversaires visant les systèmes de trading basés sur des modèles de langage à grande échelle (LLM) ont montré que la manipulation des titres d’actualité sur une seule journée, dans le cadre d’un backtest couvrant 14 mois, réduisait les rendements annuels de jusqu’à 17,7 points de pourcentage: une vulnérabilité commune, déclenchée une seule fois, qui se répercutait partout où le même raisonnement était déployé.
Ce que les entreprises peuvent faire pour y remédier
Pourtant, la première étape consiste à considérer cela comme un risque de concentration. Les comités de gestion des risques suivent déjà l’exposition aux secteurs et aux contreparties, et la dépendance vis-à-vis des modèles doit figurer sur cette même liste. Cela implique de savoir quelles décisions transitent par quels systèmes et dans quelle mesure celles-ci se recoupent avec celles des concurrents et des contreparties . Cela implique également de remettre en question la logique qui a conduit les entreprises à cette situation : un fournisseur reconnu est perçu comme sûr parce qu’il est justifiable, mais lorsque toutes les entreprises font le même choix, cette option justifiable devient un point de défaillance commun.
Le suivi des risques n’est qu’une partie du travail. Ce qui aide, c’est de disposer d’un personnel capable de savoir quand s’en remettre à l’IA et quand se fier à son propre jugement, une distinction que peu de personnes sont formées à faire. L’IA n’a pas toujours raison. Lorsque Elm Wealth a confronté Claude et ChatGPT à des traders macro de haut niveau, les modèles ont correctement prédit la direction du marché plus de la moitié du temps, soit à peu près aussi bien que les traders, mais ont affiché une volatilité quotidienne de 20 à 40 %, alors que le profil d’investisseur qui leur avait été fourni prévoyait une volatilité d’environ 7,5 à 15 %. « Nous formons les IA pour qu’elles agissent comme des humains », ont écrit les chercheurs, « et nous constatons ensuite que les IA sont comme les humains : elles font preuve d’un excès de confiance. » Bien utiliser l’IA, c’est savoir précisément ce qu’il faut conserver, et une partie de cela relève de l’humain.
À l’heure actuelle, la majeure partie du marché se trouve dans le même véhicule, suit le même GPS et ne s’en rend pas compte. Les entreprises qui s’en rendent compte s’arrêteront avant la collision et emprunteront une autre route, même si ce n’est pas forcément la bonne. Un marché où tout le monde parvient à la même conclusion cesse de fonctionner comme un marché et commence à ressembler à une monoculture.
Il n'y a pas de gagnant si tout le monde gagne.
Informations sur l'auteur
