IA en finance : et si le vrai risque était que tous les modèles prennent la même décision ?
INSIGHTS · IA & STABILITÉ FINANCIÈRE Par Youssef B., consultant chez Safir Consulting Le 19 octobre 1987, le Dow Jones perd 22,6 % en une seule séance. Ce jour-là, le problème ne vient pas uniquement d’une erreur humaine ou informatique. Certaines stratégies d’assurance de portefeuille, conçues pour réduire automatiquement les expositions lorsque les marchés baissent, contribuent à amplifier le mouvement. En vendant simultanément dans un marché déjà fragilisé, ces stratégies accentuent la pression sur les prix. Vingt ans plus tard, en août 2007, un phénomène comparable touche plusieurs fonds quantitatifs actions. Malgré des équipes de gestion concurrentes, certains portefeuilles présentent des expositions similaires aux mêmes facteurs de risque. Lorsque des positions sont débouclées, les pertes se propagent rapidement à d’autres acteurs. Ces épisodes illustrent une vulnérabilité bien connue des marchés financiers : des stratégies individuellement cohérentes peuvent devenir collectivement déstabilisantes lorsqu’elles conduisent de nombreux acteurs à agir dans le même sens. Avec l’essor de l’intelligence artificielle (IA), cette question prend une nouvelle dimension. 1. Au-delà des erreurs individuelles : le risque d’uniformisation des décisions Les discussions sur l’IA en finance portent souvent sur les risques propres à chaque modèle : résultats inexacts, biais dans l’évaluation du crédit, manque d’explicabilité ou confiance excessive des utilisateurs. Ces risques sont réels et nécessitent des dispositifs de gouvernance, de validation et de contrôle adaptés. Mais une autre question mérite une attention particulière : que se passe-t-il lorsque plusieurs établissements financiers utilisent des technologies similaires pour prendre leurs décisions ? Trois facteurs peuvent favoriser cette convergence. Les mêmes modèles De nombreux établissements développent leurs applications d’IA à partir d’un nombre relativement limité de modèles de fondation. Même lorsque les solutions sont personnalisées, elles peuvent conserver certaines caractéristiques communes. Les mêmes données Publications financières, données de marché, résultats d’entreprises ou informations fournies par des prestataires spécialisés : les établissements s’appuient souvent sur des sources comparables. Des modèles similaires, alimentés par des données proches, peuvent produire des analyses convergentes. Les mêmes infrastructures L’hébergement et l’exploitation des systèmes d’IA reposent en partie sur un nombre limité de grands fournisseurs technologiques. Cette concentration peut créer des dépendances communes et exposer plusieurs établissements à un même incident opérationnel. Pris séparément, ces facteurs ne constituent pas nécessairement un risque systémique. Leur combinaison peut toutefois réduire la diversité des analyses et accroître la corrélation des comportements. Le véritable enjeu n’est donc pas seulement de savoir si un modèle fonctionne correctement, mais aussi de comprendre comment son utilisation à grande échelle peut influencer le fonctionnement du marché. 2. Trois canaux de transmission des risques Le Fonds monétaire international (FMI), le Conseil de stabilité financière (FSB) et la Banque d’Angleterre ont identifié plusieurs vulnérabilités potentielles liées au développement de l’IA dans les services financiers. Trois mécanismes méritent une attention particulière. L’amplification des mouvements de marché Lorsque plusieurs acteurs utilisent des modèles reposant sur des signaux similaires, leurs décisions peuvent devenir davantage corrélées. En période de tensions, cette convergence pourrait accentuer les mouvements de vente, réduire la liquidité disponible et amplifier la volatilité. La vitesse d’exécution constitue également un facteur important. Certaines stratégies de trading algorithmique peuvent réagir très rapidement aux évolutions du marché. L’intégration croissante de techniques d’IA dans ces systèmes pourrait renforcer certains phénomènes de réaction simultanée. Il convient néanmoins de distinguer les systèmes de trading automatisé des outils d’IA générative, dont les usages, les performances et les délais de traitement sont différents. Le risque apparaît lorsque des décisions rapides et similaires se renforcent mutuellement, notamment dans un environnement de marché déjà fragilisé. La concentration opérationnelle L’utilisation de fournisseurs technologiques communs peut créer des points de vulnérabilité partagés entre plusieurs institutions financières. Un incident affectant une infrastructure, un service cloud ou un modèle utilisé dans des processus critiques pourrait perturber simultanément plusieurs établissements. La panne informatique mondiale de juillet 2024, provoquée par une mise à jour défectueuse de CrowdStrike, a illustré les conséquences possibles d’une dépendance technologique largement partagée. Cet événement ne concernait pas directement un modèle d’IA. Il constitue néanmoins un exemple concret des effets qu’un incident chez un fournisseur commun peut produire sur de nombreuses organisations. À mesure que les systèmes d’IA s’intègrent aux processus opérationnels, les établissements devront évaluer leur capacité à maintenir leurs activités en cas d’indisponibilité de ces technologies. Le manque de visibilité sur les dépendances Le développement rapide de l’IA soulève également des questions de transparence et de supervision. Les établissements ne disposent pas toujours d’une vision complète des modèles, composants, données et prestataires mobilisés dans leurs différentes applications. À l’échelle du système financier, cette difficulté devient encore plus importante. Comment identifier une dépendance commune lorsque plusieurs institutions utilisent, directement ou indirectement, les mêmes technologies ? Comment mesurer les risques de comportements corrélés lorsque les modèles sont complexes et que leurs usages évoluent rapidement ? Pour les autorités de supervision, la capacité à cartographier ces interdépendances devient un enjeu essentiel de stabilité financière. 3. DORA, supervision et IA : des dispositifs complémentaires Les autorités financières ont déjà engagé des travaux sur les risques liés à l’intelligence artificielle. En Europe, le règlement DORA, applicable depuis le 17 janvier 2025, renforce les exigences de résilience opérationnelle numérique des entités financières. Il prévoit notamment des obligations concernant la gestion des risques liés aux prestataires tiers de services TIC. Le 18 novembre 2025, les autorités européennes de supervision ont publié une première liste de prestataires TIC critiques, soumis à un cadre européen de surveillance spécifique. Au Royaume-Uni, la Banque d’Angleterre poursuit également ses analyses sur les risques que l’utilisation croissante de l’IA pourrait faire peser sur le système financier, notamment à travers des travaux de scénarios et de simulation. Ces initiatives représentent des avancées importantes. Elles répondent cependant à des enjeux qu’il convient de distinguer. La résilience opérationnelle consiste notamment à s’assurer qu’un établissement peut continuer à fonctionner lorsqu’un fournisseur ou un système devient indisponible. Le risque de comportements corrélés concerne les conséquences potentielles de décisions similaires prises simultanément par plusieurs acteurs du marché. Un établissement peut disposer d’une infrastructure résiliente tout en étant exposé à des mouvements de marché amplifiés par des stratégies comparables