Introduction

L’intelligence artificielle est passée du statut d’outil de back-office réservé aux salles de marché institutionnelles à celui de technologie accessible aux investisseurs particuliers. Il est désormais possible de connecter des outils d’IA à un compte de courtage, d’automatiser l’analyse d’un portefeuille ou de concevoir des stratégies d’investissement qui nécessitaient autrefois un terminal Bloomberg, des logiciels spécialisés et une équipe de chercheurs quantitatifs. Dans la pratique, cependant, ce que l’IA apporte réellement diffère souvent des attentes des investisseurs. La distinction essentielle est celle qui sépare une IA utilisée comme outil d'aide à la décision, sous supervision humaine, d'une IA à laquelle on délègue directement les décisions d'investissement.

Une partie de la confusion vient du fait que l'expression «investissement avec l'IA» recouvre en réalité trois technologies très différentes, dont le niveau de maturité varie fortement. La première est celle des grands modèles de langage (LLM) qui alimentent des outils comme ChatGPT, Gemini ou Claude. Ces systèmes sont conçus pour générer des réponses plausibles, qu'elles soient exactes ou non, ce qui explique le risque d'«hallucinations». La deuxième catégorie regroupe les robots-conseillers, qui reposent principalement sur des règles prédéfinies pour automatiser des tâches bien délimitées, comme le rééquilibrage d'un portefeuille ou son optimisation fiscale. Cette technologie est aujourd'hui mature et fiable précisément parce qu'elle répond à des objectifs clairement définis. La troisième est celle de l'IA agentique des modèles capables d'agir de manière autonome en exécutant des ordres via les API des courtiers dans une boucle continue d'observation, de décision et d'exécution. C'est la couche technologique la plus récente, la moins éprouvée et celle qui concentre aujourd'hui à la fois l'intérêt des investisseurs particuliers et l'attention des régulateurs.

Adoption massive mais confiance limitée

L'IA générative a considérablement réduit le coût d'outils auparavant réservés aux professionnels de la finance, favorisant leur adoption rapide par les investisseurs particuliers. Une enquête menée en mars 2026 auprès de 938 investisseurs américains montre que 62% d'entre eux utilisent désormais l'IA dans leur processus d'investissement. En regardant de plus près leurs usages, une tendance claire se dessine. L'IA est avant tout utilisée comme outil de recherche: résumer l'actualité financière, filtrer des actions ou générer des pistes d'investissement qui seront ensuite analysées plus en profondeur. Les bénéfices perçus dépassent toutefois les performances réellement démontrées. Parmi les utilisateurs, 65% estiment que l'IA a amélioré leurs résultats. Cette appréciation repose cependant sur leur propre perception et non sur une mesure objective des performances ajustées du risque.

Les investisseurs restent d'ailleurs prudents. Plus de la moitié (53,5%) déclarent ne faire confiance aux analyses produites par l'IA qu'après les avoir vérifiées auprès d'autres sources, et seule une faible minorité lui confie directement l'exécution de ses ordres. Cette réserve reflète leur principale inquiétude: le risque de recommandations erronées ou trompeuses. Les spécialistes du secteur soulignent eux aussi l'écart entre les capacités affichées par ces outils et leur fiabilité réelle. Comme le rappelle Kieran Garvey, responsable de la recherche sur l'IA au Cambridge Centre for Alternative Finance, la technologie est encore «loin d'être suffisamment fiable» pour fournir des conseils financiers. Autrement dit, les gains observés proviennent essentiellement d'une utilisation de l'IA comme assistant de recherche: un outil rapide, parfois imparfait, dont les recommandations restent systématiquement validées par un investisseur humain avant toute prise de position. La réglementation va dans le même sens. Dans le cadre de la directive européenne MiFID, les outils d'IA destinés au grand public ne sont pas autorisés à fournir des conseils en investissement au sens réglementaire du terme. Les autorités insistent notamment sur la transparence des modèles, la possibilité de vérifier leurs recommandations et le maintien d'une supervision humaine.

Source: Investing.com

Des exemples prometteurs et de nombreux échecs

Les expériences les plus réussies montrent un paradoxe. Les investisseurs qui obtiennent les meilleurs résultats grâce à l'IA sont souvent ceux qui lui laissent le moins d'autonomie. Ce qui distingue un système performant d'un système voué à l'échec n'est pas la sophistication du modèle, mais la rigueur du cadre dans lequel il évolue. Un ancien cadre du secteur des logiciels est ainsi parvenu, en une heure, à reproduire grâce à un modèle d'IA un programme qu'il avait mis près d'un an à développer manuellement. Pourtant, la première version utilisée sur les marchés a rapidement enregistré une perte de 25%. Les performances ne se sont améliorées qu'après l'ajout de règles strictes de gestion des risques: stop-loss automatiques, limites de taille de position et tests prospectifs («walk-forward testing»), qui consistent à simuler une stratégie uniquement avec les informations réellement disponibles à chaque instant. Alors que le S&P 500 reculait par rapport à son sommet de juin, son système n'affichait plus qu'une perte de 1,2% à la fin juillet, contre près de 16% dans les simulations réalisées sans ces mécanismes de contrôle.

Ces derniers mois, plusieurs plateformes spécialisées ont également confronté des modèles de langage à des conditions de trading réelles ou simulées, avec une autonomie complète. Six compétitions portant sur les actions, les ETF, les cryptomonnaies et les marchés de prédiction ont été organisées. Si chacune a vu au moins un modèle afficher des gains, seules deux ont présenté une performance médiane positive. En d'autres termes, quelques résultats spectaculaires ont masqué le fait que la majorité des agents de trading pilotés par l'IA ont perdu de l'argent. Lors de l'une des compétitions les plus médiatisées, huit modèles de pointe disposaient chacun d'un capital de 10'000 dollars pour négocier des actions technologiques américaines pendant deux semaines. Au terme de l'expérience, le portefeuille agrégé avait perdu près d'un tiers de sa valeur et seules six des trente-deux stratégies testées étaient bénéficiaires. Les écarts de comportement étaient considérables: selon les modèles, le nombre de transactions variait de 158 à 1418 sur la période. Ces résultats rappellent une réalité souvent sous-estimée: la performance d'une IA ne repose pas uniquement sur la qualité du modèle, mais aussi sur l'ensemble des mécanismes qui l'accompagnent, notamment la gestion du risque, le contrôle de l'exposition, la gestion du portefeuille et l'exécution des ordres.

Source: Bloomberg

L'IA comme assistant de recherche

Si les systèmes développés par des particuliers et les «trading arenas» enseignent tous deux la même leçon, à savoir que la discipline et les contraintes font la différence entre le profit et la ruine, la question est de savoir si les plateformes qui proposent aujourd'hui des solutions d'IA aux investisseurs particuliers ont intégré ce principe. Leur réponse, dans les grandes lignes, a consisté à couper l'offre en deux: l'IA qui conseille, et l'IA qui agit.

Le premier type de déploiement, et de loin le plus répandu, maintient l'humain fermement dans la boucle. Ici, l'IA fonctionne comme un copilote: elle interprète l'information et met en évidence des perspectives, mais l'investisseur conserve le dernier mot sur chaque décision. L'assistant de Public, Alpha, illustre parfaitement cette catégorie, en permettant aux utilisateurs d'analyser des entreprises, de résumer des résultats financiers et d’analyser des données financières en langage naturel. Cortex, l’IA de Robinhood, a un rôle comparable: il explique les fluctuations de cours, condense les rapports d'analystes et cartographie les expositions du portefeuille à la demande. Du côté européen, Tori, de la plateforme eToro, applique la même logique en associant des analyses d'investissement personnalisées à des données de marché en temps réel, initialement au bénéfice de ses «Popular Investors», dont les stratégies sont reproduites par d'autres utilisateurs via CopyTrader.

Les limites de ce modèle sont claires, et en partie d'ordre réglementaire. Puisqu'un copilote se contente de conseiller, la responsabilité de la transaction qui en résulte incombe entièrement à l'utilisateur, ce qui permet à ces produits d'échapper largement aux obligations de compliance et fiduciaires qui encadrent le conseil financier formel. Cette même logique limite aussi le risque lié à la fiabilité de l'IA: un résumé erroné, voire une «hallucination», peut induire en erreur, mais il ne peut pas exécuter une transaction. L'avantage réglementaire du modèle copilote tient précisément au fait qu'un humain reste le décideur responsable, une caractéristique que les enquêtes sur le sentiment des investisseurs jugent systématiquement indispensable. Le copilote est ainsi devenu la norme du secteur: forte valeur perçue, faible engagement de responsabilité, et large compatibilité avec les régimes de divulgation qui encadrent déjà l'information financière.

L'IA comme exécutant

Le second type de déploiement retire l'humain de chaque décision individuelle, et c'est précisément là que les plateformes divergent véritablement. Le «courtage agentique» de Public permet aux utilisateurs de configurer des agents qui surveillent en continu leurs portefeuilles et exécutent automatiquement des instructions prédéfinies (achats récurrents, déploiement de liquidités), même si ces agents restent pilotés par l'utilisateur et n'élaborent aucune stratégie propre. Robinhood va plus loin avec son offre «Agentic Trading», qui relève davantage de l'infrastructure que d'un modèle en soi: via le Model Context Protocol, les utilisateurs peuvent connecter des systèmes externes tels que ChatGPT, Claude ou Grok à un compte dédié, où ils peuvent évaluer les risques de concentration et sectoriels, rééquilibrer leur portefeuille et, s'ils y sont autorisés, exécuter des transactions sans confirmation transaction par transaction.

Le président de Webull qualifie cette évolution de «zéro commission 2.0», en pointant l'ampleur de l'activité qui avait suivi la précédente suppression des frais de transaction, une comparaison qui en dit long sur l'ampleur du changement structurel que le secteur attend de l'exécution par agent. Mais l'autonomie ne supprime pas le risque, elle le déplace, et les garde-fous mis en place révèlent où le secteur perçoit le danger. Robinhood cantonne ses agents au solde préchargé d'un portefeuille séparé, exige une validation préalable pour certaines transactions, notifie chaque opération, détecte les activités suspectes et permet une déconnexion immédiate; sa version bêta ne couvre pour l'instant que les actions. Il est notable que la plateforme construit et sécurise l'infrastructure, mais n'évalue pas ce que l'agent connecté décide réellement de faire. Ce jugement, ainsi que la surveillance continue, restent du ressort de l'investisseur.

C'est là que le cadre réglementaire devient véritablement flou. Lorsqu'un agent autonome exécute une transaction déficitaire, la question de la responsabilité reste réellement ambiguë: la plateforme décline toute responsabilité quant à la logique décisionnelle, le fournisseur du modèle décline toute responsabilité quant au déploiement, et l'utilisateur peut ne pas comprendre pleinement ce qu'il a autorisé. Pour l'instant, la réponse du secteur passe par un renforcement des processus. La fiabilité elle-même restant à prouver, ce sont ces garde-fous, et non la capacité brute de l'IA, que les plateformes vendent en réalité aux investisseurs.

Conclusion

La trajectoire est claire, même si la finalité ne l'est pas. À mesure que les agents d'IA passent de l'assistance à l'exécution de transactions, la réglementation devrait devenir le prochain facteur déterminant. Son rôle consistera moins à freiner l'innovation qu'à garantir que, à mesure que le pouvoir de décision se transfère vers les machines, la responsabilité ne s'efface pas discrètement avec. Il faut s'attendre à ce que la période à venir soit définie non pas par ce que l'IA est techniquement capable de faire sur les marchés, que par la question de savoir qui devra en répondre lorsque quelque chose tournera mal, et jusqu'à quel point les régulateurs insisteront pour qu'un contrôle humain demeure en place avant de juger cette réponse acceptable.