Il est encore trop tôt pour confier entièrement les décisions d’achat et de vente à un « agent d’investissement IA ». Non pas parce que la technologie est insuffisante, mais parce que la structure du problème ne s’y prête pas.
-
Une décision d’investissement n’est pas une simple fonction des informations actuelles. Elle mêle aussi des convictions et des attentes personnelles sur une action ou sur l’avenir (acheter Tesla, par exemple, n’est pas un pari sur ses états financiers, mais sur la conviction que la conduite autonome va s’ouvrir). Un LLM est un moteur d’inférence à partir des informations présentes ; son résultat n’est donc pas un pari, mais un « résumé des informations actuelles emballé en phrase d’achat ou de vente ». Il a le ton de la certitude, mais pas la conviction qui la fonde. Il y a aussi un problème de reproductibilité : avec les mêmes données et la même question, la réponse varie d’une fois à l’autre.
-
Cela ressemble au piège que les quants ont déjà rencontré. Le quant en soi n’est pas le problème (les bons quants gagnent de l’argent), mais la limite de l’application automatique à des paris sur l’avenir de règles optimisées sur des données passées et présentes — surapprentissage et dépendance au régime de marché en sont les principaux écueils. Avec les agents LLM, les règles sont cachées dans les poids, restent opaques et ne sont même pas reproductibles : ils tombent donc dans le même piège, dans de pires conditions.
-
Le bon rôle de l’IA n’est donc pas la décision, mais la préparation des éléments. Collecte et organisation de l’information, calculs cohérents, diagnostic des concentrations : voilà ce qui relève de l’IA. Croire à un futur possible et appuyer sur la détente, cela reste le rôle de l’humain. Une grande partie des erreurs d’investissement ne vient pas des convictions, mais des éléments de base eux-mêmes (illusion de diversification, confusion entre rendement moyen et rendement composé effectivement réalisé). Si ces éléments sont justes, les convictions peuvent jouer leur rôle.
-
Si l’on transpose ce principe de human-in-the-loop dans la conception des outils, la direction devient claire. Il ne faut pas confier les calculs numériques à un LLM, mais les fixer avec des règles déterministes ; à la question « quand atteindre 300 millions de wons ? », il faut répondre non pas par une date, mais par une distribution de probabilité ; pour les hypothèses comme le rendement futur ou la volatilité, l’outil ne doit pas les remplir à la place de l’humain ; enfin, il faut se concentrer sur une présentation précise des éléments de jugement (concentration, exposition effective des ETF, etc.). Non pas du conseil, mais du diagnostic.
2 commentaires
Par rapport aux agents IA open source, quelle valeur technique aurait ce service qui justifierait que je paie un abonnement ?
Merci pour cette question pertinente. Honnêtement, il y a beaucoup de choses que l’on peut configurer soi-même avec des agents open source, et en particulier pour consulter des données publiques sur des titres cotés aux États-Unis, Claude ou Perplexity en version brute remplacent déjà une bonne partie de ces usages. C’est pourquoi je ne pense pas que cette « consultation de données » soit la valeur que nous vendons.
Les points qui valent la peine d’être maintenus via un abonnement se résument, si l’on resserre, à trois éléments environ.
Les chiffres ne sont pas calculés par le LLM, mais par le serveur avec des règles déterministes. À question identique, réponse identique ; les valeurs de capitalisation composée ou de projection ne varient pas d’une conversation à l’autre. C’est la partie qui empêche, au niveau de la couche d’outils, le problème de reproductibilité évoqué dans l’article.
Nous prenons en charge des calculs qui demandent en pratique pas mal de travail. Par exemple, le look-through des ETF additionne l’exposition effective à AAPL, qu’elle vienne de VOO, de QQQ ou d’une détention directe, rapportée à l’ensemble du patrimoine ; si l’on regarde naïvement la concentration par ticker, un ETF diversifié peut être interprété à tort comme une position « all-in ». Le faire correctement et le maintenir, c’est du travail. Les projections FIRE en Monte-Carlo relèvent du même type de sujet.
Il y a des axes qu’un LLM brut ne peut structurellement pas voir. L’état réel de mon portefeuille (Claude ou Perplexity en version brute ne voient pas mes actifs détenus), ainsi que l’évaluation cohérente en multi-devises d’actifs qui ne sont pas cotés aux États-Unis, comme un dépôt de garantie jeonse, de l’or KRX ou des participations non cotées. Nous mémorisons aussi, au-delà de la conversation, le profil de risque et les objectifs.
En résumé, la valeur n’est pas celle d’un « agent qui prend de meilleures décisions », mais celle d’une couche de données que l’on peut brancher directement à Claude/ChatGPT sans avoir à la configurer ni à la maintenir. Si vous êtes prêt à la construire et à la maintenir vous-même, vous n’avez pas forcément besoin de vous abonner ; la fonction de registre elle-même est gratuite, donc le plus juste est de l’essayer pour voir si la couche d’analyse apporte suffisamment de valeur.