L’intelligence artificielle transforme la façon dont les décisions d’investissement sont prises, et c’est là pour rester. Utilisé à bon escient, il peut aiguiser un jugement professionnel et améliorer les résultats des investissements. Mais la technologie comporte également des risques: les modèles de raisonnement d’aujourd’hui sont toujours sous-développés, les garde-corps réglementaires ne sont pas encore en place, et la dépendance sur les sorties d’IA pourrait fausser les marchés avec de fake signaux.
Ce message est le deuxième épisode d’une réflexion trimestrielle sur les derniers développements de l’IA pour les professionnels de la gestion des investissements. Il intègre des idées d’une équipe de spécialistes des investissements, d’universitaires et de régulateurs qui collaborent sur une e-newsletter bimensuelle pour les professionnels de la finance, «Intelligence augmentée dans la gestion des investissements». Le premier article de cette série a préparé le terrain en introduisant la promesse de l’IA et des pièges pour les gestionnaires de placements, tandis que ce submit pousse plus loin dans les frontières des risques.
En examinant les récentes tendances de recherche et de l’industrie, nous visons à vous doter des functions pratiques pour naviguer dans ce paysage en évolution.
Purposes pratiques
Leçon n ° 1: Machine humaine +: une formule plus forte pour la qualité de la décision
La fusion de l’intelligence humaine et machine renforce la cohérence, qui est un marqueur clé de la qualité de la décision. Comme Karim Lakhani de la Harvard Enterprise Faculty a résumé: «Il ne s’agit pas de remplacer l’IA des analystes – il s’agit d’analystes qui utilisent l’IA qui remplace ceux qui ne le font pas.»
Implication pratique: les équipes d’investissement devraient concevoir des workflows où l’instinct humaine est complétée, non remplacée, par des aides de raisonnement axées sur l’IA, garantissant des résultats de décision plus stables.
Leçon n ° 2: les humains possèdent toujours la frontière de l’incertitude
Les limites actuelles des grands modèles de raisonnement (LRM), qui peuvent réfléchir à un problème et créer des options calculées, signifient qu’il appartient aux gestionnaires de placement de déchiffrer l’influence de marchés imparfaits moins structurés. Les modèles de raisonnement frontalière s’effondrent sous une forte complexité, renforçant cette IA dans sa forme actuelle reste un outil de reconnaissance de modèle.
Bien que la nouvelle génération de modèles de raisonnement promettait des améliorations marginales des performances telles que le meilleur traitement ou les prévisions des données, les résultats ne sont pas à la hauteur des promesses. En fait, moins un phénomène de marché moins structuré, plus les résultats des modèles sont sujettes à l’échec.
Implication pratique: la transparence autour de la sensibilité de référence et de la conception rapide est vitale pour une utilisation cohérente dans la recherche sur les investissements.
Leçon n ° 3: les régulateurs entrent dans l’arène de l’IA
Les autorités de supervision pilote l’IA génératrice (Genai) pour l’automatisation des processus et la surveillance des risques, offrant des études de cas pour l’adoption de l’industrie. Les régulateurs identifient rapidement une multitude de vulnérabilités relations à l’IA qui pourraient avoir un influence négatif sur la stabilité financière. Un rapport publié par le Monetary Stability Board (FSB) qui a été créé après la crise financière de 2008 pour promouvoir la transparence sur les marchés financiers, a souligné un sure nombre d’implications négatives potentielles. Le Genai peut être utilisé pour répandre la désinformation sur les marchés financiers, a indiqué le groupe. D’autres problèmes possibles incluent les dépendances tierces et la focus des prestataires de providers, une corrélation accrue du marché en raison de l’utilisation généralisée des modèles d’IA courants et des risques de modèle, y compris la qualité des données opaques. Les risques de cybersécurité et la gouvernance de l’IA figuraient également sur la liste du FSB.
À savoir, les régulateurs sont en alerte, travaillant sur leur propre intégration des functions d’IA pour faire face aux risques systémiques explorés.
Implication pratique: les cadres réglementaires adaptatifs façonneront le rôle de l’IA dans la stabilité financière et la responsabilité fiduciaire.
Leçon n ° 4: Genai en tant que béquille: se prémunir contre l’atrophie des compétences
Le Genai peut stimuler l’efficacité, en particulier pour les travailleurs moins expérimentés, mais il soulève également des préoccupations concernant la paresse métacognitive, ou la tendance à décharger la pensée critique à une machine / IA, et l’atrophie des compétences. Les flux de travail humains structurés et les interventions d’apprentissage sont essentiels pour préserver l’engagement et l’experience approfondis de l’industrie.
L’analyse de Genai Agency Anthropic de l’utilisation de l’IA des étudiants montre une tendance croissante d’externalisation de la pensée d’ordre élevé, comme l’analyse et la création, à Genai. Pour les professionnels de l’investissement, il s’agit d’une épée à double tranchant. Bien qu’il puisse stimuler la productivité, il risque également l’atrophie des compétences cognitives de base essentielles pour la pensée contrarisée, le raisonnement probabiliste et la notion variante.
Implication pratique: les investisseurs doivent s’assurer que les outils d’IA ne deviennent pas une béquille. Au lieu de cela, ils devraient être ancrés dans la prise de décision structurée et les flux de travail qui préservent et même aiguiser le jugement humain. Dans ce nouvel environnement, le développement de la conscience métacognitive et la promotion de l’humilité intellectuelle peut être tout aussi précieux que de maîtriser un modèle financier. Investir dans l’alphabétisation de l’IA et le pilotage des flux de travail humains de l’IA qui préservent le jugement humain critique serviront à favoriser et peut-être à amplifier l’engagement cognitif.
Leçon n ° 5: l’effet du troupeau AI est réel
Être contraire dans la recherche d’alpha signifie comprendre les modèles que tout le monde utilise. L’utilisation généralisée de modèles d’IA similaires introduit un risque systémique: une corrélation accrue du marché, une focus de tiers et une opacité du modèle.
Implication pratique: les professionnels de l’investissement devraient:
Diversifier les sources du modèle et maintenir des capacités analytiques indépendantes. Construisez des cadres de gouvernance de l’IA pour surveiller la qualité des données, les hypothèses du modèle et l’alignement sur les principes fiduciaires. Restez attentif aux risques de distorsion de l’info, en particulier grâce à un contenu généré par l’IA dans le discours financier public. Utilisez l’IA en tant que partenaire de réflexion, pas comme des invitations, des cadres et des outils de raccourci qui stimulent les exams de réflexion et d’hypothèse. Les équipes de formes forment pour défier les résultats de l’IA grâce à l’analyse du scénario et à un jugement spécifique au domaine. Concevoir des workflows qui combinent l’efficacité de la machine avec l’intention humaine, en particulier dans la recherche sur les investissements et la building de portefeuille.
Conclusion: naviguez dans la frontière des risques d’IA avec clarté
Les professionnels de l’investissement ne peuvent pas compter sur les promesses trop confiantes faites par les sociétés d’intelligence artificielle, qu’elles proviennent de fournisseurs de LLM ou d’brokers d’IA liés. À mesure que les cas d’utilisation augmentent, la navigation sur les frontières des risques émergentes avec la pleine conscience de ce qu’ils peuvent et ne peuvent pas ajouter pour améliorer la qualité de la décision d’investissement sont d’une significance capitale.
Annexe et citations:
Fagbohun, O., Yashwanth, S., Akintola, AS, Wurola, I., Shittu, L., Inyang, A.,. . . Akinbolaji, T. (2025). Greeniq: une plate-forme de recherche profonde pour l’analyse complète du marché du carbone et la génération de rapports automatisés. arXiv.
Handa, Ok., Bent, D., Tamkin, A., McCain,., Durmus,., Stern, M.,. . . Ganguli, D. (2025, 8 avril). Rapport sur l’éducation anthropique: remark les étudiants universitaires utilisent Claude. Extrait d’Anthropic: https://www.anthropic.com/information/anthropic-education-report-how-university-students-use-claude
Van Zanten, J. (2025). Mesurer les impacts environnementaux et sociaux des entreprises: une analyse des notes ESG et des scores ODD. Organisation et environnement.
Brynjolfsson, E., Li, D., et Raymond, L. (2025). AI générative au travail. The Quarterly Journal of Economics.
Pérez – Cruz, F., et Shin, H. (2025). Mettre les brokers de l’IA à l’épreuve sur les tâches générales. Banque pour les établissements internationaux (BIS).
Ren, Y., Deng, X. (., Et Joshi, Ok. (2024). Déballage de la complémentarité humaine et AI: aperçu des travaux récents. Ssrn.
Traub, B., Traub, I., Peper, P., Oravec, J., et Thurman, P. (2023). Modélisation de l’âge de l’abondance dirigée par l’IA: appliquant le rapport de levier humain / AI (HAILR) au travail de connaissances. Journal électronique SSRN.
Schmälzle, R., Lim, S., Du, Y., et Bente, G. (2025). L’artwork de l’engagement du public: le lincement mince basé sur LLM des pourparlers scientifiques. arXiv.
Otis, N., Clarke, R., Delecourt, S., Holtz, D., et Koning, R. (2023). L’influence inégal de l’IA générative sur les performances entrepreneuriales. Préimpression OSF.
Fan, Y., Tang, L., Le, H., Shen, Ok., Tan, S., Zhao, Y.,. . . Gašević, D. (2024). Méfiez-vous de la paresse métacognitive: effets de l’intelligence artificielle générative sur la motivation, les processus et les performances génératrices. British Journal of Academic Know-how.
Monetary Stability Board. (2024). Les implications de la stabilité financière de l’intelligence artificielle. Monetary Stability Board.
Comité des politiques financières, Banque d’Angleterre. (2025). Stabilité financière dans l’accent: intelligence artificielle dans le système financier. Banque d’Angleterre.
Qin, Y., Lee, R. et Sajda, P. (2025). La notion d’un coéquipier de l’IA dans une tâche de contrôle incarnée affecte les performances de l’équipe, reflétées dans les comportements de coéquipiers humains et les réponses physiologiques. arXiv.
Gao, Ok. et Zamanpour, A. (2024). Remark les functions intégrées à l’IA peuvent-elles affecter l’équilibre de la sécurité psychologique des ingénieurs financiers et de la vie professionnelle: les ingénieurs financiers chinois et iraniens et les views des administrateurs. Psychologie BMC.
Backlund, A. et Petersson, L. (2025). Bouchage de vente: une référence pour la cohérence à lengthy terme des brokers autonomes. arXiv.
Xu, F., Hao, Q., Zong, Z., Wang, J., Zhang, Y., Wang, J.,. . . Gao, C. (2025). Vers de grands modèles de raisonnement: une étude du raisonnement renforcé avec de grands modèles de langue. arXiv.
Daly, C. (2025, 8 mai). Klarna ralentit les coupes d’emploi à Ai avec appel à de vraies personnes. Extrait de Bloomberg: https://www.bloomberg.com/information/articles/2025-05-08/klarna-turns-from-ai-to-real-ponon–stomermer-service?embedded-checkout=true
Hämäläinen, M. (2025). Sur la psychologie de l’IA – L’effet de primauté affecte-t-il Chatgpt et d’autres LLM? arXiv.
Schmälzle, R., Lim, S., Du, Y., et Bente, G. (2025). L’artwork de l’engagement du public: le coup de mince basé sur les pourparlers scientifiques basés sur LLM. arXiv.
Bednarski, M. (2025, mai – juin). Pourquoi les PDG devraient réfléchir à deux fois avant d’utiliser l’IA pour écrire des messages. Harvard Enterprise Assessment.
Shojaee, P., Mirzadeh, I., Alizadeh, Ok., Horton, M., Bengio, S., et Farajtabar, M. (2025). L’phantasm de la pensée: comprendre les forces et les limites des modèles de raisonnement through la lentille de la complexité du problème. Apple Machine Studying Analysis, Apple Inc.
Meincke, L., Mollick, E., Mollick, L., et Shapiro, D. (2025). Inviter le rapport scientifique 1: L’ingénierie rapide est compliquée et contingente. Generative AI Labs, The Wharton Faculty of Enterprise, Université de Pennsylvanie.
Ivcevic, Z., et Grandinetti, M. (2024). L’intelligence artificielle comme outil de créativité. Journal of Creativity.
Zhang, J., Hu, S., Lu, C., Lange, R., et Clune, J. (2025). Darwin Gödel Machine: Évolution ouverte des brokers auto-améliorants. arXiv.
Foucault, T., Gambacorta, L., Jiang, W., et Vives, X. (2024). Intelligence artificielle en finance. Centre de recherche sur les politiques économiques (CEPR).
Kosmyna, N., Hauptmann, H., Yuan, Y., situ, J., Liao, X.-H., Beresnitzky, A.,. . . Maes, P. (2025). Votre cerveau sur Chatgpt: accumulation de dette cognitive lors de l’utilisation d’un assistant d’IA pour la tâche d’écriture d’essais. arXiv.
Vasileiou, S., Rago, A., Martinez, M. et Yeoh, W. (2025). Remark les gens révisent-ils les croyances incohérentes? Examiner la révision des croyances chez l’homme avec des études d’utilisateurs. arXiv.
Prenio, J. (2025). À commencer par les bases: une bourse des functions Gen AI dans la supervision. Monetary Stability Institute, Financial institution for Worldwide Settlements (BIS).
