En multipliant les sources de données et en accélérant leur traitement, l’intelligence artificielle transforme l’analyse financière. Mais cette révolution informationnelle redistribue les avantages, peut introduire des biais ou homogénéiser les signaux et fragiliser la stabilité des marchés.
Plus d’information, plus vite : l’IA au service de l’efficience de marché ?
L’intelligence artificielle permet aujourd’hui un usage massif des données alternatives en finance (textes, sons, images) ouvrant un champ d’analyse jusqu’ici inaccessible. Les applications sont déjà nombreuses : données satellitaires pour évaluer en temps réel l’activité économique via l’analyse des flux de tankers ou la fréquentation des zones commerciales, indicateurs de sentiment de marché construits à partir de news ou de réseaux sociaux, scores de risque climatique dérivés de l’analyse d’images satellitaires autour des sites d’implantation des entreprises. Ces nouvelles sources augmentent la granularité, la fréquence et la diversité des informations exploitables, enrichissant à la fois la génération de signaux au service des décisions financières et l’évaluation des risques.
En apparence, cette révolution informationnelle est une bonne nouvelle pour les marchés : en accélérant l’incorporation de l’information fondamentale dans les prix, elle les rapproche de l’idéal d’efficience à court terme. Mais derrière cette amélioration globale se cache une redistribution profonde des rentes informationnelles [1] . Les gérants actifs qui adoptent ces données voient leur performance de sélection de titres s’améliorer significativement, tandis que ceux qui n’y ont pas accès subissent une érosion de leur performance, les plus talentueux étant paradoxalement les plus pénalisés, car leur avantage informationnel se trouve neutralisé. Par ailleurs, en démocratisant l’accès à une multitude de signaux de qualité inégale, l’IA peut aussi produire l’effet inverse : noyer l’information pertinente dans le bruit et, ce faisant, dégrader l’efficience même des prix. Plus structurellement, en réduisant la rentabilité de l’analyse fondamentale traditionnelle, l’IA risque de décourager la production d’information de long terme, celle qui guide l’allocation du capital vers ses usages les plus productifs. L’efficience informationnelle à court terme pourrait ainsi se faire au détriment d’une moindre efficience allocative à long terme.
Intelligence artificielle et stabilité financière : biais, herding algorithmique et nouveaux risques systémiques
La volatilité des prix financiers ne dépend pas uniquement des chocs économiques fondamentaux mais aussi de la manière dont l’information est sélectionnée et partagée entre investisseurs. Dans les modèles d’économie de l’information (Veldcamp, 2006 [2] ), les agents choisissent de manière endogène les signaux qu’ils souhaitent acquérir, ce qui conduit souvent à une concentration des sources d’information. Lorsque les investisseurs se focalisent sur les mêmes signaux, qui deviennent moins coûteux à mesure que leur usage se diffuse, leurs anticipations se synchronisent, amplifiant les mouvements de marché et accroissant potentiellement la volatilité des prix. C’est dans ce cadre que se pose aujourd’hui une question centrale : l’IA conduira-t-elle à une homogénéisation croissante du traitement de l’information, ouvrant la voie à un herding [3] algorithmique à grande échelle ? Pour l’heure, la diversité des données d’entraînement et des usages limite ce risque. Mais la tendance à la concentration autour d’un petit nombre de modèles dominants pourrait, à terme, inverser cette dynamique.
Les grands modèles de langage (LLMs) présentent également des biais systématiques bien documentés. Ils ont tendance à surpondérer certains secteurs, les plus grosses capitalisations, les entreprises américaines par rapport aux européennes [4] , à extrapoler excessivement les tendances passées, et à reproduire les biais de représentation présents dans leurs données d’entraînement. Déployés à grande échelle, que ce soit par des agents autonomes opérant sur les marchés ou par des outils de conseil financier orientant les décisions des particuliers, ces biais pourraient se propager et s’amplifier mutuellement, faisant peser un risque réel sur la stabilité financière.
Les LLMs présentent deux autres comportements préoccupants pour la qualité de l’information financière : la sycophanie (leur tendance à dériver vers les croyances de l’utilisateur au détriment de la précision factuelle) et une propension à amplifier un contenu trompeur lorsqu’ils sont sollicités comme assistants rédactionnels [5]. Utilisés massivement comme intermédiaires informationnels (pour produire des analyses ou conseiller des investisseurs), ces biais pourraient devenir un vecteur de distorsion de l’information à grande échelle, avec des effets potentiellement déstabilisateurs sur la formation des anticipations de marché.
Loin de corriger les travers comportementaux humains, les agents IA reproduisent les mêmes biais (effet de disposition, croyances extrapolatives surpondérant les observations récentes). Sur des marchés expérimentaux simulés, ces biais individuels s’agrègent en dynamiques collectives propices aux bulles spéculatives, répliquant les résultats obtenus depuis longtemps sur des sujets humains [6]. Plus préoccupant encore, l’ampleur de ces bulles s’avère sensible aux instructions données aux agents : le prompt engineering [7] peut aussi bien amplifier que réduire ces mécanismes comportementaux, révélant une fragilité fondamentale. Ainsi, l’IA n’est naturellement ni stabilisatrice ni déstabilisatrice, mais elle hérite des biais cognitifs encodés dans ses données d’entraînement, et son impact sur la stabilité des marchés dépend largement des choix de conception et de déploiement.
Gouverner l’information à l’ère de l’IA : vulnérabilités systémiques et enjeux de souveraineté
L’essor des données alternatives et de l’IA en finance ne va pas sans risques opérationnels et épistémiques. L’usage de ces nouvelles sources introduit aussi des vulnérabilités inédites : fuites de confidentialité, manipulations adverses, pouvant conduire à des décisions financières défaillantes. Ces risques appellent dès aujourd’hui le développement de protocoles rigoureux d’évaluation, d’outils de détection des manipulations et de méthodes robustes aux données dégradées. La fiabilité de l’infrastructure informationnelle sur laquelle reposent les marchés financiers est en jeu.
Ces fragilités sont amplifiées par un contexte géopolitique inédit. La fragmentation économique mondiale et les tensions autour de la gouvernance de l’IA font peser un risque direct sur la souveraineté informationnelle européenne. La dépendance croissante aux hyperscalers [8] et aux grandes plateformes d’IA, les risques de verrouillage des services, les investissements étrangers dans les infrastructures critiques et les tensions autour de l’AI Act illustrent la vulnérabilité structurelle de l’Europe dans cette compétition technologique. Maîtriser ses données et ses capacités de calcul n’est plus seulement une question d’efficience économique, c’est une condition de la stabilité financière et de l’autonomie stratégique.
Au fond, l’IA redistribue les sources d’avantage compétitif. Pendant des décennies, la rente informationnelle venait de l’accès privilégié à l’information. Demain, le facteur rare ne sera plus la donnée mais la capacité à lui faire confiance : l’attention humaine et le jugement critique pour distinguer le signal du bruit et évaluer la fiabilité des sources, la gouvernance institutionnelle pour prévenir les manipulations. Dans un monde où l’IA produit, filtre et amplifie l’information à une vitesse et une échelle sans précédent, l’accès à la donnée cesse d’être un avantage décisif. Ce qui devient rare et précieux, c’est la capacité de discernement : savoir évaluer, douter et juger.
[1] Bonelli M. & Foucault T., Does Big Data Devalue Traditional Expertise? Evidence from Active Funds, 2023.
[2] Veldcamp L., Information markets and the comovement of asset prices, Review of Economic Studies, 2006.
[3] Ou effet moutonnier.
[5] Bertucci L., Lasserre Q. & Raïs M., « Sycophancy and Editorial Compliance in LLMs: Evidence from Climate Misinformation », Institut Louis Bachelier / Fondation PARC, 2026.
[6] Ouyang S. & Sui P. Dissecting AI Trading: Behavioral Finance and Market Bubbles, 2026.
[7] C’est l’outil qui permet aux chatbots IA de générer des réponses contextuelles et cohérentes.
[8] Les hyperscalers sont les géants américains du cloud.
