GenAI remodèle les flux de travail d’investissement plus rapidement que la plupart des entreprises ne peuvent s’adapter. La sortie de Claude pour les companies financiers est la dernière étape dans l’utility de GenAI dans le secteur de l’investissement. L’accent mis sur la connaissance du domaine et les flux de travail spécialisés le distingue des LLM frontières généralisés et soulève des questions importantes sur la façon dont les flux de travail financiers évolueront, remark les tâches seront réparties entre les humains et les machines et quelles compétences seront nécessaires pour réussir dans l’avenir de la finance.
Les sociétés financières sont confrontées à la refonte de leurs capacités technologiques la plus importante depuis une génération. La transformation numérique basée sur l’IA remodèle les rôles professionnels et les processus d’investissement, incitant les professionnels à reconsidérer les frontières entre la cognition humaine et la cognition machine, tandis que les entreprises s’efforcent d’améliorer leurs applied sciences et leur capital humain pour rester compétitives.
Dans ce contexte de changement, les entreprises et les professionnels doivent réévaluer les compétences nécessaires pour réussir. Il est difficile de prévoir remark l’IA modifiera les flux de travail et les rôles professionnels, compte tenu du rythme des progrès technologiques et de l’incertitude entourant les voies de transition. Néanmoins, cette évaluation est nécessaire à la planification stratégique, tant pour les leaders de l’industrie que pour les individus qui envisagent leur cheminement de carrière.
Le CFA Institute surveille et interprète en permanence les développements de l’IA et fournit des conseils et une formation pour aider les professionnels de la finance à naviguer dans un paysage en évolution et à acquérir les compétences professionnelles dont ils ont besoin pour réussir. Pour faire avancer cette mission, nous nous lançons dans un projet ambitieux visant à analyser les implications structurelles de l’IA pour la occupation d’investisseur. Nous explorerons des scénarios sur la façon dont l’IA affectera la pratique professionnelle, le jugement, la confiance, la responsabilité et les cheminements de carrière, en nous appuyant sur nos recherches menées à ce jour.[1]
Dans ce contexte, deux questions se posent souvent : l’IA remplacera-t-elle les professionnels humains ? Et quelle est la pertinence du programme CFA dans un environnement futur où l’IA pourra effectuer la plupart des tâches methods ?[2]
Comme nous l’avons noté ailleurs, nous pensons que l’avenir sera défini par les capacités cognitives complémentaires des humains et des machines, caractérisées par le paradigme « IA + HI » et par l’significance proceed de la compétence professionnelle. Pour comprendre à quoi ressemble cette combinaison, il est d’abord nécessaire d’évaluer le degré actuel d’adoption de l’IA dans les flux de travail d’investissement, avant d’identifier les voies de transition possibles vers des scénarios futurs caractérisés par différents mélanges d’interactions humaines et machines.
Paysage actuel
Au début de l’année dernière, le CFA Institute a publié une étude basée sur une enquête intitulée « Créer de la valeur à partir du Large Information dans le processus de gestion des investissements : une analyse du flux de travail ». Dans ce doc, nous avons analysé l’étendue de l’adoption de la technologie dans différentes tâches de flux de travail effectuées dans des catégories de rôles professionnels, notamment le conseil, l’analyse, l’investissement et la prise de décision, le management, les risques, ainsi que la gestion des ventes et des purchasers.
L’un des principaux enseignements de ce travail est que les professionnels de l’investissement adoptent une stratégie de multihébergement, dans laquelle ils utilisent plusieurs plateformes et/ou applied sciences pour accomplir une tâche. Dans la catégorie de rôle analytique, trois exemples de flux de travail (évaluation, analyse du secteur et de l’entreprise et préparation de rapports de recherche) illustrent ce modèle.
Le tableau montre la proportion de répondants qui utilisent différentes applied sciences pour chacune de ces tâches. Sans shock, les outils traditionnels comme Excel et les bases de données de marché restent les plus utilisés, mais les personnes interrogées déclarent également intégrer des outils tels que Python et GenAI aux côtés des logiciels traditionnels. Par exemple, alors que 90 % des personnes interrogées ont déclaré utiliser Excel pour les tâches d’évaluation, 20 % ont également indiqué utiliser Python dans ce flux de travail. Pour les rôles analytiques, GenAI a été le plus utilisé pour aider à la préparation des rapports de recherche, cité par 27 % des répondants.[3]
Supply : Wilson, CA, 2025, Création de valeur à partir du Large Information dans le processus de gestion des investissements : une analyse du flux de travail : https://rpc.cfainstitute.org/analysis/stories/2025/creating-value-from-big-data-in-the-investment-management-process.
GenAI en pratique : un exemple de flux de travail
Prenons l’exemple d’une analyse du secteur et de l’entreprise : au second où notre enquête a été menée en 2024, 16 % des personnes interrogées reconnaissaient utiliser GenAI dans ce flux de travail. Notre série de contenus Automation Forward, dans l’épisode RAG for Finance : Automating Doc Evaluation with LLMs, fournit un exemple concret de la façon dont GenAI peut améliorer ce flux de travail.
L’étude de cas est complétée par des notebooks Python dans notre référentiel GitHub RPC Labs. Il montre remark RAG peut extraire les détails de la rémunération et de la gouvernance des dirigeants à partir des déclarations de procuration des sociétés de portefeuille et présenter les résultats dans un tableau structuré, l’une des nombreuses tâches effectuées dans ce flux de travail.
Une telle tâche est traditionnellement manuelle et chronophage, les efforts requis étant largement déterminés par le nombre de titres en portefeuille. Avec GenAI, le processus peut être mis à l’échelle efficacement avec seulement des calculs supplémentaires marginaux, libérant ainsi l’analyste de l’extraction manuelle des données et de la préparation d’une comparaison tabulaire.
Avec les tâches d’extraction de données et de présentation des informations externalisées vers le modèle GenAI, l’analyste peut se concentrer sur l’interprétation des données plutôt que sur la préparation. Au lieu d’analyser les chiffres, l’analyste se concentre sur l’évaluation des résultats en interrogeant le modèle, en vérifiant la validité des données, en comprenant les limites de l’analyse, en corrigeant les erreurs, en complétant les résultats avec des informations supplémentaires ou des idées provenant d’autres sources, le tout dans le however d’identifier les risques potentiels de gouvernance dans les titres du portefeuille.
Loin d’éliminer le besoin d’un analyste humain, cet exemple montre remark une plus grande valeur peut être dégagée de la contribution humaine en accordant plus de temps et de capacité pour la réflexion critique et la prise de décision. Cela illustre également les limites de l’IA (de telles tâches ont des scores de précision imparfaits) et le besoin persistant de surveillance et de jugement humains.
Évolution
L’IA agentique est devenue un outil puissant succesful d’améliorer davantage les flux de travail et d’approfondir l’interplay homme-machine. Ces outils s’appuient sur certaines des limites de RAG et intègrent un raisonnement en chaîne de pensée et des appels de fonctions externes (voir notre article, « Agentic AI For Finance : Workflows, astuces et études de cas »). Les brokers d’IA élargissent la portée des tâches que les machines peuvent effectuer et pourraient façonner l’orientation future de l’interplay homme-machine.
Supply : Pisaneschi, B., 2025, Agentic AI For Finance : Workflows, Ideas, and Case Research : https://rpc.cfainstitute.org/analysis/the-automation-ahead-content-series/agentic-ai-for-finance.
À bien des égards, cette évolution étend simplement la stratégie de multihébergement, combinant plusieurs outils et plates-formes dans une seule interface utilisateur. Claude pour les companies financiers reflète cette approche, en se connectant aux bases de données de marché et aux plateformes traditionnelles comme Excel pour produire des rapports et des analyses pour l’utilisateur. De cette manière, l’IA fonctionne comme une couche d’utility au-dessus d’autres outils logiciels, en interface avec l’analyste humain qui preserve la surveillance et la responsabilité.
Le jugement professionnel reste essentiel pour tester les hypothèses et valider les sources de données et les références. De plus, l’utilisation efficace de ces outils dépend également de solides connaissances fondamentales en matière de finance et d’investissement, permettant aux analystes de faire confiance et de s’approprier les résultats du modèle et de maintenir une base raisonnable pour les décisions d’investissement.
Les professionnels auront également besoin de compétences générales qui ne peuvent pas être externalisées vers des machines, notamment l’établissement de relations et l’exercice de devoirs de loyauté, de prudence et de diligence, fondés sur des valeurs éthiques.
À l’avenir, le CFA Institute mènera des recherches approfondies sur les flux de travail et les compétences à mesure que l’IA remodèle la occupation d’investisseur. Même si la combinaison de tâches et les compétences nécessaires pour les accomplir continueront sans aucun doute à évoluer, et d’une manière que nous ne prévoyons peut-être pas, nous nous attendons à ce que le principe AI+HI reste le fondement d’une pratique professionnelle éthique et d’une saine gestion des investissements.
Nous invitons les praticiens à partager leurs réflexions dans la part Commentaires sur les changements de compétences et de flux de travail que vous observez.
[1] Notre inventaire de recherche sur l’IA comprend :
L’IA dans la gestion des actifs : outils, functions et frontières
Pionniers de l’IA dans la gestion des investissements (2019)
Équipes en forme de T : s’organiser pour adopter l’IA et le Large Information dans les entreprises d’investissement (2021)
Éthique et intelligence artificielle dans la gestion des investissements : un cadre pour les professionnels (2022)
Manuel d’functions d’intelligence artificielle et de Large Information dans les investissements (2023)
Données non structurées et IA : affiner les LLM pour améliorer le processus d’investissement (2024)
L’IA dans la gestion des investissements : étude de cas sur l’éthique (2024 ); L’IA dans la gestion des investissements : étude de cas sur l’éthique, partie II (2024)
Créer de la valeur à partir du Large Information dans le processus de gestion des investissements : une analyse du flux de travail (2025)
Données synthétiques en gestion des investissements (2025)
L’IA explicable en finance : répondre aux besoins des diverses events prenantes (2025)
L’automatisation à venir : série de contenus (2025)
[2] Voir par exemple Tierens, I., 2025, L’IA peut réussir l’examen CFA®, mais elle ne peut pas remplacer les analystes
[3] Une model interactive de ces données est disponible sur notre référentiel GitHub RPC Labs : https://github.com/CFA-Institute-RPC/AI-finance-workflow-heatmap
