Le bureau de recherche agentique

La complexité a toujours constitué un défi majeur dans la recherche en investissement. Les marchés génèrent davantage de données, d'articles, d'informations sur les entreprises, d'actualités, d'ensembles de données alternatives et de scénarios contradictoires qu'une seule équipe ne peut en traiter manuellement. Le défi aujourd'hui ne consiste pas simplement à trouver des informations, mais à déterminer ce qui est pertinent, dans quelle mesure elles sont fiables, si elles apportent un élément nouveau et si elles peuvent déboucher sur une question de recherche ou une perspective d'investissement.

C'est là que l'IA agentique pourrait commencer à transformer le processus de recherche. La première vague d'IA générative a permis aux individus de travailler plus rapidement : résumer des documents, rédiger des textes, écrire du code et répondre à des questions. Si cela est certes utile, cela reste néanmoins largement axé sur les tâches. L'IA agentique va plus loin, en prenant en charge des flux de travail à étapes multiples, en conservant le contexte d'une étape à l'autre, en utilisant des outils, en assurant le suivi des tâches et en produisant des résultats structurés pouvant être examinés par des humains.

La Figure 1 ci-dessous présente à quoi pourrait ressembler le bureau de recherche agentique aujourd'hui ou dans un avenir proche.

Dans la recherche en investissement, cette évolution est importante car la recherche constitue une chaîne de travail : trouver des idées, recueillir des données, tester des hypothèses, comparer des signaux, documenter des résultats, remettre en question des conclusions et décider si une idée mérite d'être approfondie. Mais plutôt que d'automatiser le jugement, l'objectif de l'IA agentique est de fournir aux analystes un meilleur moteur de recherche.

Le tri des recherches constitue un point de départ concret. Les équipes d'investissement sont confrontées à un flux constant d'articles académiques, de commentaires sur les marchés, de comptes rendus de résultats d'entreprises, de documents réglementaires, de notes internes et de questions des clients. Une grande partie de l'activité d'investissement repose encore sur ce type de dynamique : l'actualité, les changements de politique, les débats entre analystes, les commentaires des équipes de direction et l'évolution du sentiment de marché.

Si ces informations sont souvent pertinentes, la plupart d'entre elles ne peuvent toutefois pas être lues dans leur intégralité. Le temps dont dispose un analyste humain est limité, et ces données ont toujours été difficiles à exploiter de manière systématique, car elles sont qualitatives, contextuelles et souvent désordonnées.

Un flux de travail de recherche agentique peut permettre de distinguer les signaux du bruit dès les premières étapes, en passant au crible de grands volumes de documents, en identifiant les éléments méritant un examen plus approfondi, en extrayant les affirmations clés et en signalant les recoupements entre une nouvelle idée et les travaux de recherche existants. Un agent chargé d'analyser un article, par exemple, ne décide pas si une idée a sa place dans un portefeuille. Mais il aide les analystes à déterminer sur quoi concentrer leur attention.

De cette manière, l'interprétation peut gagner en évolutivité et en discipline. C'est toujours l'analyste qui détermine si un scénario revêt une importance économique, s'il est déjà intégré dans les cours et s'il apporte un élément nouveau. Mais l'IA peut aider à mettre en évidence des tendances au sein des entreprises ou des secteurs et faciliter la vérification de la pertinence d'un scénario en tant que signal.

Ceci est particulièrement utile pour les investisseurs qui cherchent à allier une analyse fondamentale à une discipline systématique, ce que l'on qualifie souvent d'approche « quantamentale ». Il ne s'agit pas de choisir entre le jugement humain et l'analyse systématique, mais de les associer plus efficacement, c'est-à-dire utiliser l'IA pour traiter des informations narratives à grande échelle, tout en laissant aux analystes humains la responsabilité de formuler les questions, d'interpréter les résultats et de décider de la poursuite des tests.

Une fois les informations narratives structurées, le prochain défi réside dans la discipline de recherche. L'IA peut aider à passer au crible les idées potentielles, dégager des méthodologies, recenser les données nécessaires et faciliter les travaux de réplication. Elle peut également aider à comparer les choix de conception et à documenter les compromis qui les sous-tendent.

Cette diversité comporte un risque, car l'IA peut élargir la recherche non seulement aux idées prometteuses, mais aussi aux fausses positives. Un résultat plausible peut paraître convaincant avant d'avoir été examiné de manière suffisamment approfondie. L'intérêt d'un flux de travail agentique réside donc dans le fait de rendre la trajectoire menant de l'idée à la preuve plus systématique et plus facile à remettre en question, en consignant ce qui a été testé, pourquoi cela a été testé, quelles hypothèses étaient pertinentes, quels résultats étaient fragiles, et pourquoi une piste de recherche a été approfondie, suspendue ou rejetée.

En ce sens, l'IA agentique peut renforcer la mémoire de recherche. Les tests qui ont échoué ne sont pas vains s'ils sont correctement consignés. Ils viennent enrichir le savoir institutionnel de l'entreprise, ce qui permet aux futurs analystes d'éviter de redécouvrir le même « non-résultat » sous une forme légèrement différente.

La documentation représente une opportunité majeure. La recherche en investissement repose souvent sur la capacité des individus à se souvenir des raisons qui ont motivé une décision : quel ensemble de données a été utilisé, quelles hypothèses ont été écartées, pourquoi un signal particulier n'a pas été retenu, ou pourquoi un modèle a été modifié.

Les flux de travail agentiques peuvent apporter une aide en créant une piste de preuves autour de la recherche assistée par l'IA. Cette piste peut inclure les documents sources utilisés, les horodatages d'accès, la version du modèle ou du flux de travail, les choix d'outils, les modifications apportées par les analystes, les vérifications de stabilité, les résultats de validation et le nom de l'humain chargé de l'examen. Loin d'être une simple formalité administrative, cela permet de soumettre à examen la recherche assistée par l'IA.

Une note de synthèse soignée générée par l'IA peut s'avérer dangereuse si personne n'est en mesure de déterminer ce que le modèle a produit, ce que l'analyste a modifié, quelles affirmations provenaient de sources extérieures et quelles conclusions ont été remises en question. Plus l'IA est utilisée pour préparer les analyses, plus il devient important de distinguer les résultats bruts générés par le modèle des travaux d'investissement approuvés par l'entreprise.

In fine, le bureau de recherche de demain pourrait se distinguer non par une confiance accrue, mais par une meilleure documentation, une plus grande rigueur méthodologique et une transparence renforcée face à l'incertitude.

Si l'IA est capable de collecter des informations, de résumer des articles, de rédiger du code et de tester différentes variantes plus rapidement, l'analyste passe moins de temps à rassembler des données et davantage à les analyser. Cela nécessite des compétences différentes, telles que poser de meilleures questions, repérer les preuves peu solides, comprendre la traçabilité des données, remettre en question les résultats des modèles, détecter les problèmes de mise en œuvre et savoir quand ne pas approfondir une idée.

Ceci pourrait avoir une grande importance, notamment pour les jeunes analystes. L'IA peut sans aucun doute aplanir certaines parties de la courbe d'apprentissage en facilitant l'accès aux informations. Mais cela peut également donner un faux sentiment de maîtrise. Lire un résumé, ce n'est pas la même chose que comprendre une méthode. Répliquer un résultat ne revient pas à savoir s'il a sa place dans une stratégie en situation réelle. À l'ère de l'IA agentique, la culture de la recherche revêt plus que jamais une importance capitale, car elle peut favoriser aussi bien les bonnes que les mauvaises habitudes.

Les humains décident si une question mérite d'être posée. Ils évaluent si un résultat est économiquement fondé et déterminent si une idée mérite d'être testée, approfondie ou écartée. Ils jugent également si les éléments de preuve sont suffisamment solides pour être intégrés au processus d'investissement. L'intérêt de l'IA agentique dans la recherche réside donc peut-être moins dans le remplacement de l'expertise que dans sa capacité à relier différentes formes d'expertise : le contexte fondamental, les tests systématiques, la discipline des données et le jugement humain.