Le discours s’est imposé en moins de deux ans.
L’IA réduit les coûts. Elle accélère l’analyse. Elle démultiplie la capacité de traitement. Les éditeurs le vendent, les directions l’adoptent, les cabinets s’équipent.
Personne ne calcule l’autre côté du bilan.
Le problème n’est pas l’outil. C’est l’architecture.
Généraliste ou “spécialisé finance”, la quasi-totalité des systèmes déployés reposent sur la même mécanique : un modèle qui prédit le token suivant le plus probable. Il ne consulte pas. Il ne vérifie pas. Il prédit.
C’est une propriété documentée et contre-intuitive de ces architectures : dans les zones d’incertitude, le modèle ne signale pas son doute. Il produit un output formulé avec la même assurance que lorsqu’il a raison.
Plus l’IA a tort, plus elle semble certaine.
Un document généré par un LLM peut contenir une erreur sur une allocation, une performance ou une interprétation réglementaire, présentée avec la même fluidité, la même mise en forme que le reste. Rien ne signale l’anomalie. Le professionnel va vite. Le client reçoit.
Les tentatives de correction ne résolvent pas le problème
Les architectures RAG réduisent partiellement le risque. Elles ne l’éliminent pas.
Le rapport Cambridge CCAF 2026, conduit avec le BIS, le FMI, la Banque Mondiale et le World Economic Forum, auprès de 628 institutions, est sans appel : hallucinations et outputs non fiables restent le risque le plus cité du secteur. 67 % des fournisseurs d’IA, 74 % des institutions financières et 80 % des régulateurs les classent parmi leurs premières préoccupations, malgré les outils de mitigation déployés.
Le RAG améliore. Il ne résout pas.
Et il introduit son propre risque : la hallucination avec citation, une réponse incorrecte présentée avec une référence sourcée, qui ne déclenche aucune vigilance.
Des chercheurs de l’IIT Jodhpur ont établi en décembre 2025 que les hallucinations financières ne sont pas aléatoires : elles sont systématiques et reproductibles, concentrées sur les opérations arithmétiques. Dans un domaine où une erreur sur un signe ou une référence réglementaire annule la fiabilité d’une analyse, ce caractère systématique aggrave encore le risque.
Ce que ça coûte réellement
La promesse se mesure en minutes gagnées. Le coût réel ne figure dans aucun business case.
Le rapport Cambridge CCAF 2026 révèle que 55 % des institutions financières ne peuvent pas mesurer la valeur réelle de leurs déploiements IA, 76 % pour les grandes institutions. Des systèmes adoptés à grande échelle, dont le ROI réel reste indémontrable.
La raison est mécanique : chaque output doit être vérifié, chaque chiffre, chaque allocation, chaque interprétation, avant transmission au client. Ce temps de contrôle n’entre dans aucun calcul de productivité. Le coût de détection finit par réabsorber une part importante du gain annoncé.
À cela s’ajoute une dimension systématiquement occultée : où sont traitées les données. Un reporting patrimonial concentre des informations parmi les plus sensibles, positions, valorisations, profil de risque. Quelle garantie réelle de confidentialité ? Quelle localisation des données ? Quelle politique de conservation ? Ce ne sont pas des questions techniques. Ce sont des questions réglementaires et fiduciaires.
L’angle mort réglementaire
MiFID II est sans ambiguïté.
L’Article 25 impose que toute recommandation soit documentée, traçable et démontrablement adaptée au profil client. L’Article 16(7) exige la conservation intégrale des échanges ayant conduit à une décision, reconstructibles à la demande du régulateur. Le RGPD impose des obligations strictes sur le traitement et la localisation des données personnelles, dont les données financières font intégralement partie.
Un LLM ne satisfait structurellement aucune de ces exigences. Output non déterministe. Chaîne de raisonnement opaque. Données transmises hors du périmètre contrôlé.
Posez-vous cette question : en cas de contrôle AMF demain, pouvez-vous reconstruire la chaîne de décision de chaque recommandation, et démontrer que les données de vos clients n’ont pas quitté un périmètre conforme ?
Le vrai calcul
Gain apparent, vérification systématique de chaque output, exposition réglementaire non provisionnée, risque de confidentialité, risque de réputation = ROI réel
Ce calcul n’a jamais été posé pour la quasi-totalité des déploiements actuels. La démonstration commerciale a suffi.
L’IA a un rôle légitime et puissant en finance, à condition d’être conçue pour ses contraintes, pas adaptée à la marge. Déterministe, traçable, auditable, souveraine sur les données, avec le professionnel humain comme seul décisionnaire documenté.
Tout le reste est une économie sur le mauvais poste.
