IA dans le conseil financier et en investissement : ce que Copilot, ChatGPT et Claude livrent vraiment aujourd'hui.

Une erreur répandue consiste à commencer par l’outil. Un modèle est évalué, un pilote lancé, et ce n’est qu’ensuite qu’il apparaît que des validations font défaut, que les accès aux données sont flous et que personne ne sait qui est responsable des résultats. Ce qui paraissait un gain d’efficacité devient un problème de gouvernance.

Une entrée solide procède en sens inverse. Quels processus l’IA doit-elle soutenir, et pourquoi ? Quelles données sont impliquées, dans quelles conditions, et qui est responsable de ce que le système produit ? Ce n’est qu’une fois ces questions tranchées qu’il est possible de choisir rationnellement quel outil convient à quel cas d’usage. Une stratégie IA dans un contexte financier n’est pas un document IT. C’est un document de gouvernance.

L’IOSCO cite à cet égard la gouvernance, la qualité des données, les biais, la transparence, la surveillance et l’externalisation comme exigences centrales. Pas des formalités réglementaires, mais la structure sans laquelle l’IA ne peut pas passer à l’échelle dans un contexte de conseil.

Avant qu’un outil IA ne passe en production dans un établissement financier, une question se pose, souvent trop tard dans la réalité : que deviennent les données saisies dans le système ?

Dans un contexte de conseil, il s’agit de données mandant, d’informations de portefeuille, d’analyses internes, de documents contractuels. Autant de données tombant sous le coup de protections réglementaires, souvent classées comme secrets professionnels et soumises à des exigences strictes dans de nombreuses juridictions. Introduire ces données dans un modèle de langage externe sans avoir au préalable clarifié si et comment elles sont traitées, stockées ou utilisées pour l’entraînement du modèle, ce n’est pas seulement de la négligence : c’est risquer des conséquences réglementaires.

Les trois grandes plateformes traitent ce point différemment, mais toutes avec des limites nettes. Microsoft précise que Copilot opère dans le périmètre de service Microsoft 365 et n’accède qu’aux contenus pour lesquels l’utilisateur est autorisé. OpenAI explique pour ChatGPT Enterprise que les données d’entreprise ne sont pas utilisées par défaut pour l’entraînement et sont transmises et stockées chiffrées. Anthropic en dit autant pour les produits Claude commerciaux. Ce que les trois fournisseurs ont en commun : la responsabilité de ce qui est saisi incombe à l’utilisateur, pas au fournisseur.

La protection des données n’est donc pas une question que le service IT règle après le déploiement, mais une condition préalable à éclaircir avant le premier usage en production, juridiquement, techniquement et organisationnellement. Quelles classes de données peuvent entrer dans le système, lesquelles non, comment l’assurer et qui en contrôle le respect ? Sans réponses à ces questions, tout usage de l’IA dans la finance demeure un risque ouvert.

Une stratégie sur papier et un concept de protection des données validé juridiquement sont nécessaires, mais pas suffisants. L’étape décisive est la traduction en flux concrets : qui saisit quoi dans le système ? Qui contrôle les sorties ? Qui valide avant qu’un résultat ne sorte vers l’extérieur ? Où s’arrête la responsabilité du modèle, et où commence celle du conseiller ?

Les workflows IA bien conçus dans un contexte de conseil sont assez étroits pour limiter les sources d’erreur, assez documentés pour être auditables, et assez ouverts pour être relus et corrigés par des collaborateurs expérimentés. Un workflow qui prévoit que des résultats générés par l’IA pénètrent sans expertise métier dans la communication client ou les recommandations d’investissement n’est pas un processus efficient. C’est un risque incontrôlé.

La frontière ne passe pas dans l’outil, mais dans le processus. Un commentaire de marché élaboré en interne avec l’appui de l’IA, puis relu et retravaillé par des spécialistes avant diffusion : c’est un flux propre. Une proposition d’investissement générée automatiquement et injectée sans filtre dans un document client : ce n’en est pas un.

Microsoft Copilot est pertinent là où banques, gérants de fortune ou family offices travaillent déjà intensément avec Outlook, Teams, Excel, Word et SharePoint. Copilot puise dans les sources liées au travail, fichiers, e-mails, chats et réunions, et assiste directement dans les applications familières. Dans Outlook il priorise la boîte de réception et rédige des réponses ; dans Teams il résume les réunions et extrait les tâches ; dans Excel il analyse et visualise les données.

Pour nombre d’établissements, l’avantage pertinent au regard de la protection des données est décisif : Copilot fonctionne dans la structure d’autorisations Microsoft 365 existante. Sans droit sur un fichier, son contenu n’apparaît pas non plus via Copilot. Cela rend l’intégration aux architectures de sécurité existantes relativement linéaire, mais suppose que la structure d’autorisations soit elle-même clairement définie. Un établissement qui ne gère pas correctement les droits sur les fichiers exporte ce problème directement dans le flux de travail IA.

Dans la pratique, Copilot déploie son utilité maximale dans des cas d’usage internes et proches des processus : supports de réunion, processus KYC, mémos de crédit, rapports internes et documents de conformité. Qui est déjà profondément dans l’écosystème Microsoft y trouve l’entrée la plus directe, à condition que les flux soient définis avant le déploiement de l’outil.

ChatGPT est particulièrement intéressant lorsqu’il faut fusionner des informations issues de sources diverses, les évaluer et les transformer en première version solide. ChatGPT Enterprise offre des contrôles d’administration, une base de connaissances alimentée par des sources internes, l’analyse de données, le téléchargement de fichiers et des fonctions de recherche approfondie. OpenAI précise que les données d’entreprise ne sont pas utilisées par défaut pour l’entraînement et sont transmises et stockées chiffrées.

Dans la pratique surgit une question souvent sous-estimée : qu’est-ce qui peut être saisi du tout ? Pour des commentaires de marché, des données publiques sur les sociétés ou des analyses de scénario générales, la réponse est souvent simple. Dès lors qu’entre en jeu une information liée aux mandants (noms, composition de portefeuille, faits fiscaux), la situation se complique. Des règles internes claires sur les classes de données autorisées à alimenter des modèles externes et celles qui ne le sont pas doivent faire partie du flux, non de l’appréciation personnelle de chaque collaborateur.

Pour les équipes très orientées recherche, le potentiel reste considérable. Commentaires de marché, analyses d’entreprise, premières comparaisons de scénarios, brouillons pour comités d’investissement, structuration des chiffres trimestriels : tout cela peut être préparé nettement plus vite avec ChatGPT. La force n’est pas dans la recommandation finale, mais dans une version de travail de haute qualité ensuite relue et affinée par des spécialistes. Ce n’est pas un inconvénient : c’est le bon point d’usage.

Claude est surtout attractif lorsque documents volumineux, corpus textuels complexes et informations internes sensibles occupent une place centrale. Claude Enterprise permet un raccordement sécurisé au savoir d’entreprise ; les données client ne sont pas utilisées par défaut pour l’entraînement des produits commerciaux. Les modèles actuels fonctionnent avec des fenêtres de contexte très grandes ; pour certains modèles, Anthropic documente jusqu’à un million de jetons, tout en précisant que précision et qualité de rappel peuvent diminuer quand la taille du contexte augmente.

Pour des flux très documentaires, l’intérêt est la structuration rapide et la condensation de grandes masses d’information : états financiers annuels, dossiers de due diligence, contrats de participations, documents de fondation et trusts, textes réglementaires. Là encore, il faut trancher à l’avance quels documents peuvent entrer dans le système. Des documents contractuels avec référence aux mandants, des modèles de valorisation internes ou du matériel de due diligence confidentiel relèvent de catégories qui exigent leur propre classification et validation, quel que soit le confort offert par la fenêtre de contexte. Une grande fenêtre de contexte ne remplace ni l’avis métier ni la décision en matière de protection des données.

Les preuves les plus solides du bénéfice de l’IA générative proviennent des tâches de connaissance et d’assistance. Un document de travail du NBER de Brynjolfsson, Li et Raymond a mis en évidence des gains de productivité d’environ 14 % chez les agents de centre d’appels. Une étude de Noy et Zhang (2023, Science) a conclu que ChatGPT réduisait le temps de traitement des tâches d’écriture et de connaissance professionnelles d’environ 40 % en moyenne et améliorait la qualité des résultats d’environ 18 %. Pour les activités proches du conseil, c’est directement pertinent, car une large part du conseil financier de qualité consiste en recherche, structuration, formulation et condensation.

Dans le cadre financier plus strict, la littérature est plus nuancée. Certains travaux montrent que les modèles de langage peuvent extraire des signaux pertinents à partir de manchettes et de textes financiers. D’autres insistent sur les limites en matière de planification financière concrète, les risques de biais et la fiabilité encore limitée pour les tâches numériques. Biais, erreurs de calcul et fausse précision ne sont pas des sujets périphériques en conseil réglementé : ce sont des risques qu’il faut traiter par des flux propres, des contrôles métier et des validations documentées.

Copilot, ChatGPT et Claude ne sont pas des outils interchangeables, et le choix entre eux n’est pas la décision réellement difficile. Plus ardue et plus lourde de conséquences est l’articulation propre de la stratégie, de la protection des données, du workflow et de l’outil qui doit précéder le déploiement.

Copilot est particulièrement fort dans les flux proches de Microsoft et les processus du quotidien liés aux autorisations. ChatGPT excelle comme interface flexible pour la recherche, l’analyse et le travail sur le savoir. Claude joue ses atouts surtout sur les longs documents et les bases de connaissances complexes. Aucune de ces plateformes ne doit être intégrée comme une boîte noire incontrôlée dans un processus de conseil à incidence client, et aucune ne remplace la décision amont sur les données autorisées, sur qui valide les résultats et comment les écarts sont documentés.

L’IA dans le conseil financier et en investissement n’est pas une musique d’avenir. Son levier principal à court terme n’est pas de remplacer le conseiller, mais d’améliorer le travail préparatoire en le rendant plus rapide et plus homogène. Qui déploie intelligemment Copilot, ChatGPT et Claude gagne du temps pour ce qui reste rare et décisif dans un conseil exigeant : le jugement, la responsabilité, la compréhension du mandant et la confiance. Qui les déploie sans stratégie, sans concept de protection des données ni flux définis fait passer à l’échelle erreurs, biais et fausse précision, et oublie que le véritable risque n’est pas dans le modèle, mais dans l’absence de structure derrière. Le positionnement numérique et la communication client constituent un champ stratégique à part entière.