En quoi réside réellement l'avantage de l'IA

L'intelligence artificielle fait partie intégrante de l'investissement quantitatif depuis des décennies. Le machine learning, le traitement du langage naturel et les données alternatives sont déjà utilisés pour identifier des tendances, extraire des signaux et traiter des informations à une échelle qui serait impossible à atteindre manuellement. Mais l'essor de l'IA agentique soulève une autre question.

Au début, le débat sur l'IA dans le domaine de l'investissement portait souvent sur les capacités des modèles. L'IA pourrait-elle mieux prévoir les rendements ? Serait-elle capable de détecter de nouveaux signaux ? Permettrait-elle d'automatiser la recherche ? Ces questions restent d'actualité. Mais à mesure que de plus en plus de gérants d'actifs ont accès à des modèles de base similaires, la question suivante pourrait prendre de l'importance : où réside réellement l'avantage en matière d'investissement ? Il est peu probable que la réponse soit uniquement dans l'accès aux modèles.

Lorsque tout le monde peut obtenir une licence d'utilisation de modèles puissants à des conditions globalement similaires, l'accès à ces modèles perd de son caractère distinctif. L'avantage durable, comme le montre la Figure 1 ci-dessous, est davantage susceptible de s'inscrire dans le flux de travail articulé autour du modèle : la formulation des questions de recherche, l'organisation et l'exploitation des données, la conservation des enseignements tirés des échecs de validation, l'application des contraintes de portefeuille, l'examen des recommandations et la définition claire des responsabilités en matière de décision d'investissement.

L'IA agentique se distingue d'un assistant ou d'un copilote IA classique. Un copilote répond généralement à une demande : résumez ceci, rédigez cela, complétez ce code. Un système agentique peut poursuivre un objectif en plusieurs étapes. Il peut transférer le contexte d'une étape à l'autre, déterminer les outils à utiliser et produire un résultat sur lequel une personne ou un autre système peut agir.

Et dès lors que l'IA est capable d'intervenir tout au long d'un flux de travail, la question centrale évolue : la réponse fournie par le modèle semble-t-elle exacte, et ce flux de travail était-il sûr, vérifiable et réversible ?

Cela revêt une importance particulière dans le domaine de la finance. Les marchés fournissent des informations bruitées et différées. Les faux positifs peuvent paraître convaincants. Les échantillons historiques sont souvent de taille réduite par rapport au nombre d'idées testées. Une note de service soignée peut susciter davantage de confiance mal placée qu'une note maladroite, surtout si des affirmations non étayées se cachent derrière une prose fluide.

Les décisions d'investissement se heurtent également à des contraintes qu'un modèle ne peut pas nécessairement appréhender pleinement de lui-même : les termes de mandat, les budgets de risque, la liquidité, les frais de transaction, l'exposition à l'indice de référence, la fiscalité, la capacité de mise en œuvre et les chevauchements avec des signaux existants. Une idée intéressante d'un point de vue statistique n'est pas nécessairement une idée dans laquelle il est judicieux d'investir.

C'est pourquoi le potentiel de l'IA agentique dans le domaine de l'investissement ne devrait pas être présenté comme la « génération autonome d'alpha ». Une approche plus réaliste et plus utile consiste à considérer que l'IA agentique peut contribuer à élargir, accélérer et structurer la recherche d'idées d'investissement, à condition que le flux de travail global soit suffisamment solide pour détecter les erreurs avant qu'elles n'aient des conséquences.

Dans une approche de l'IA centrée sur les modèles, l'accent est mis sur le choix du meilleur modèle. Dans une approche axée sur le flux de travail, l'accent est mis sur ce que le modèle est autorisé à lire, ce qu'il est autorisé à faire, ce qu'il doit enregistrer et les étapes nécessitant une validation humaine.

C'est précisément là que les gérants d'actifs peuvent se démarquer en proposant une offre plus difficile à imiter. Un modèle frontière peut être remplacé, mais ce n'est pas le cas de l'historique de recherche d'une entreprise, ni de ses cartographies de données propriétaires, de ses tests antérieurs infructueux, de ses normes d'escalade, de sa discipline en matière de construction de portefeuilles ou de sa compréhension acquise au fil du temps des cas où des signaux apparemment prometteurs ont tendance à s'avérer erronés.

Pour les investisseurs quantitatifs, cela n'a rien de nouveau. La qualité de la recherche ne dépend pas seulement de l'identification d'un signal prometteur, mais également de la vérification de sa solidité, de son caractère progressif, de sa capacité à être mis en œuvre et de son alignement avec les objectifs du portefeuille. L'IA agentique ne fait que renforcer la nécessité d'intégrer cette discipline habituelle dans le flux de travail.

L'avantage pourrait donc évoluer pour passer de la question de « qui dispose du meilleur modèle ? » à celle de « qui dispose du processus de recherche le mieux contrôlé autour de ce modèle ? ».

Une manière concrète d'aborder les flux de travail agentiques contrôlés consiste à les envisager à travers trois barrières : l'ancrage, la stabilité et l'autorisation. Nous abordons ces trois points plus en détail dans le chapitre intitulé « IA et gouvernance ».

L'ancrage implique que le flux de travail doit démontrer que les informations utilisées étaient disponibles au moment où l'analyse est censée avoir été réalisée, afin d'éviter que des informations ultérieures ne viennent fausser le processus de recherche. La stabilité garantit non seulement que le modèle semble fiable, mais aussi qu'il produit un résultat suffisamment stable pour pouvoir être analysé. Enfin, la gestion des autorisations consiste à définir des limites appliquées par le biais de l'infrastructure et des droits d'approbation, et non à laisser cette décision à la discrétion du modèle lui-même.

Ensemble, ces mécanismes contribuent à faire évoluer l'IA agentique, pour qu'elle passe du statut d'assistant intelligent à celui d'élément contrôlé du processus d'investissement. Plutôt que de garantir de l'alpha, ils contribuent à faire en sorte que les travaux assistés par l'IA soient fondés, vérifiables et soumis à des contraintes appropriées avant que les humains ne décident de l'usage qu'ils en feront.

Prenons l'exemple d'un flux de travail de recherche quantitative classique. Un nouvel article académique propose un facteur potentiel. Un flux de travail agentique analyse l'article, en extrait la méthodologie, met en correspondance les données requises avec l'environnement de recherche de l'entreprise, effectue une réplication, compare le résultat avec l'ensemble de modèles existants et rédige une note de synthèse résumant les conclusions.

Cela pourrait faire gagner du temps. Mais avant qu'une idée puisse influencer un modèle ou un portefeuille, le flux de travail doit répondre à une question plus précise concernant l'alpha : qu'est-ce qui a été démontré, exactement ?

Un flux de travail contrôlé doit permettre de déterminer si le signal proposé a été reproduit, si les données concernaient un moment précis, si le résultat a résisté à des variations raisonnables, s'il apporte une valeur ajoutée à l'ensemble des modèles existants et s'il reste applicable compte tenu des contraintes liées aux coûts, à la liquidité, au risque et au mandat. Si l'idée ne parvient pas à franchir ces obstacles, le flux de travail doit indiquer pourquoi elle a été rejetée ou pourquoi elle n'est pas encore prête, plutôt que de la présenter comme une contribution supplémentaire.

L'agent peut préparer les données probantes et mettre en évidence les points de décision, mais il ne doit pas décider d'intégrer le signal dans un modèle ni d'allouer des capitaux. Ces décisions restent du ressort d'humains désignés.

L'intérêt immédiat de l'IA agentique réside dans le fait qu'elle pourrait contribuer à relever le niveau de preuve requis avant de pouvoir faire des affirmations d'alpha. Peut-elle, par exemple, réduire le nombre d'affirmations non justifiées avant l'examen par un supérieur ? Permet-elle de rendre les hypothèses explicites ? Peut-elle mettre en évidence une instabilité dans un résultat proposé ? Permet-elle de démontrer si un signal apporte réellement une valeur ajoutée par rapport à ce qui est déjà dans le portefeuille ? Est-elle capable d'identifier les contraintes de mise en œuvre qui auraient une incidence en conditions réelles ?

Ce sont autant de résultats de processus mesurables qui permettent de rendre la trajectoire menant de l'idée à la décision d'investissement plus disciplinée. Dans le domaine de la gestion d'actifs, des processus défaillants peuvent transformer des recherches prometteuses en une mise en œuvre médiocre. Un processus rigoureux permet de garantir que les idées soient développées, révisées ou rejetées pour les bonnes raisons. L'IA agentique pourrait s'avérer précieuse précisément parce qu'elle peut contribuer à institutionnaliser certains aspects de cette discipline, à condition qu'elle soit conçue dès le départ avec des mécanismes de contrôle.