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 à celles de ses concurrents.
Les deux dimensions doivent donc être étudiées de manière complémentaire.
Les registres d’information prévus par DORA contribuent à identifier les dépendances contractuelles envers les prestataires TIC. Ils ne constituent toutefois pas, à eux seuls, une cartographie complète des modèles utilisés pour les décisions d’investissement, de crédit ou de gestion de liquidité.
L’un des défis consiste désormais à mieux comprendre les dépendances communes entre établissements, au-delà de leur seule exposition individuelle aux fournisseurs technologiques.
4. Quelles actions pour les établissements financiers ?
Face à ces risques émergents, plusieurs mesures peuvent être envisagées.
Cartographier les dépendances aux modèles d’IA
Les établissements gagneraient à identifier les modèles utilisés dans leurs fonctions sensibles, les fournisseurs associés et les processus métiers concernés.
Cette cartographie permettrait de repérer les concentrations technologiques et de mieux évaluer leurs conséquences potentielles.
Elle pourrait également alimenter les dispositifs existants de gestion des risques opérationnels et de gouvernance des modèles.
Diversifier les approches lorsque cela est pertinent
Pour certaines fonctions critiques, comparer les résultats de plusieurs modèles ou méthodes indépendantes peut contribuer à détecter des divergences et à limiter une dépendance excessive à une solution unique.
Cette diversification doit néanmoins être appréciée au regard des coûts, des performances, de la complexité opérationnelle et du niveau réel d’indépendance entre les solutions.
Deux modèles provenant de fournisseurs différents ne garantissent pas nécessairement une diversification effective s’ils reposent sur des données ou des architectures similaires.
Intégrer les comportements collectifs aux scénarios de stress
Les tests de résistance pourraient intégrer davantage de scénarios dans lesquels plusieurs acteurs adoptent simultanément des stratégies comparables.
Pour un gestionnaire d’actifs, cela pourrait notamment consister à évaluer les conséquences de ventes massives sur des positions communes à plusieurs portefeuilles.
L’objectif serait de mieux anticiper les effets potentiels sur la liquidité, les coûts de transaction et la valorisation des actifs.
Prévoir des solutions de continuité
Lorsqu’un système d’IA intervient dans un processus critique, l’établissement doit évaluer les conséquences de son indisponibilité.
Selon la nature de l’activité, cela peut nécessiter des procédures alternatives, une supervision humaine renforcée ou des mécanismes techniques de secours.
Ces dispositifs doivent être documentés et testés selon la criticité des processus concernés.
La performance d’un outil ne doit pas conduire à perdre la capacité de maîtriser les opérations qu’il contribue à automatiser.
5. Quels enjeux pour les régulateurs ?
À l’échelle du système financier, la gestion de ces risques nécessite également une vision collective.
Trois axes pourraient contribuer à renforcer les dispositifs de supervision.
Mieux mesurer les concentrations technologiques
L’identification des modèles et fournisseurs communs utilisés dans des fonctions financières sensibles permettrait de mieux comprendre les dépendances à l’échelle du secteur.
Approfondir l’analyse des comportements corrélés
Les scénarios macroprudentiels pourraient davantage intégrer les conséquences potentielles de stratégies automatisées similaires, notamment en période de stress de marché.
Adapter la surveillance à l’évolution des usages
La supervision des fournisseurs technologiques et des modèles d’IA doit tenir compte de leur rôle effectif dans les activités financières, tout en s’articulant avec les dispositifs réglementaires existants.
L’objectif n’est pas de considérer toute utilisation commune d’un modèle comme dangereuse, mais de pouvoir identifier les situations dans lesquelles une dépendance partagée pourrait devenir une source de fragilité.
6. La diversité des modèles : un enjeu de stabilité financière
Les crises financières ont montré qu’un système ne devient pas nécessairement résilient parce que chacun de ses acteurs dispose individuellement de dispositifs de gestion des risques.
Les interdépendances, les expositions communes et les réactions simultanées peuvent transformer des décisions rationnelles à l’échelle d’un établissement en mouvements déstabilisants à l’échelle du marché.
L’intelligence artificielle renouvelle cette problématique.
Elle offre des perspectives importantes en matière d’analyse, d’automatisation et d’efficacité opérationnelle. Mais son adoption à grande échelle invite également à s’interroger sur la diversité des modèles, des données et des processus décisionnels.
Le risque n’est pas seulement qu’une IA se trompe. C’est aussi que plusieurs systèmes prennent simultanément des décisions similaires, avec des conséquences que chaque établissement n’aurait pas anticipées individuellement.
Pour les institutions financières, l’enjeu ne sera donc pas uniquement de disposer des modèles les plus performants.
Il sera aussi de comprendre leurs dépendances, de préserver une capacité de jugement indépendante et de maîtriser les conséquences de leur utilisation à grande échelle.
Et vous, dans votre établissement, savez-vous combien de fonctions critiques reposent sur les mêmes modèles ou fournisseurs d’IA ?
Article rédigé par Youssef B., consultant chez Safir Consulting.
Sources institutionnelles à associer à l’article
-
Fonds monétaire international (FMI) – Global Financial Stability Report, octobre 2024, analyses sur l’IA et les marchés de capitaux.
-
Conseil de stabilité financière (FSB) – The Financial Stability Implications of Artificial Intelligence, novembre 2024.
-
Banque d’Angleterre – travaux sur l’IA, la stabilité financière et les comportements des agents automatisés.
-
Autorités européennes de supervision (EBA, ESMA, EIOPA) – règlement DORA et publication de la première liste des prestataires TIC critiques, novembre 2025.
