L'IA bat déjà les traders humains : ce que ça veut dire pour la finance

En janvier 2025, le fonds Renaissance Technologies a publié ses résultats annuels : le Medallion Fund, géré exclusivement par des algorithmes, affichait un rendement net de 31,5 % sur l'exercice. Dans le même temps, les fonds actifs gérés par des humains accusaient en moyenne une performance de 9,2 %. Ce n'est pas une anomalie. C'est la norme depuis une décennie.

Ce qui se passe dans la finance n'est pas une perturbation future. C'est une mutation déjà accomplie, dont les effets sur l'emploi se lisent dans les plans sociaux discrets des grandes banques d'investissement, dans la fermeture de salles de marchés entières, et dans le tarissement des recrutements de jeunes diplômés en finance de marché.

Des machines qui battent les humains, chiffres à l'appui

Le débat « IA contre humain » dans la finance est tranché depuis plusieurs années. Une étude de S&P Global Ratings publiée en 2024 montre que sur une période de 15 ans, 88 % des fonds actifs gérés par des gérants humains sous-performent leur indice de référence après frais. Les fonds quantitatifs, eux, affichent un taux de surperformance supérieur à 60 % sur les mêmes horizons.

La raison tient à quatre avantages structurels des systèmes algorithmiques. Premièrement, la vitesse d'exécution : un algorithme de high-frequency trading (HFT) peut exécuter des milliers d'ordres par milliseconde, exploitant des inefficacités de marché invisibles à l'œil humain. Deuxièmement, l'absence de biais cognitifs : pas de panique, pas d'euphorie, pas d'ancrage sur un cours historique. Troisièmement, la capacité de traitement : les modèles actuels intègrent simultanément des flux de news, des données macroéconomiques, des indicateurs de sentiment sur les réseaux sociaux et des signaux de prix. Quatrièmement, le coût marginal proche de zéro : une fois développé, un algorithme ne demande pas de bonus ni de congés.

L'hécatombe silencieuse des juniors

Ce qui frappe dans cette transformation, c'est sa discrétion. Il n'y a pas eu de grand plan social annoncé sous les caméras. Les suppressions de postes se sont opérées par attrition : les départs naturels n'ont pas été remplacés, les promotions de jeunes diplômés ont été réduites, les grilles de recrutement réorientées vers des profils mathématiques et informatiques.

En 2007, Goldman Sachs employait 600 traders dans son département actions à New York. En 2024, ils étaient moins d'une dizaine. À leur place : des équipes de développeurs qui maintiennent les algorithmes. JPMorgan a de son côté investi 15 milliards de dollars dans l'IA et l'automatisation entre 2020 et 2025, avec pour résultat déclaré « l'élimination de plusieurs dizaines de milliers de tâches répétitives ». Derrière ce langage de ressources humaines, des postes réels ont disparu.

L'analyste financier junior est la figure emblématique de cette évolution. Son rôle traditionnel consistait à compiler des données sectorielles, modéliser des scénarios de valorisation et produire des notes de recherche. Aujourd'hui, des outils comme Bloomberg GPT ou les modules d'analyse de Morgan Stanley AI produisent ces notes en quelques minutes, avec une précision factuelle supérieure à celle d'un analyste de deuxième année. Le travail de modélisation financière — autrefois rite de passage des jeunes banquiers — est de plus en plus automatisé via des plateformes comme Daloopa ou Visible Alpha.

Les « quants » : gagnants à double tranchant

L'image d'Épinal voudrait que les ingénieurs quantitatifs soient les grands bénéficiaires de cette révolution. C'est partiellement vrai. Les salaires des profils PhD en mathématiques ou en physique travaillant pour des hedge funds comme Two Sigma, Citadel ou DE Shaw ont explosé : 500 000 à 1,5 million d'euros annuels pour les meilleurs n'est pas rare à Londres ou New York.

Mais ce marché est ultra-sélectif et ne concerne qu'une poignée de postes. Pour les 99 % de financiers qui ne sont pas des mathématiciens de haut vol, la réalité est tout autre. Le « quant moyen » — celui qui maîtrise Python, sait lire une régression et code des backtests — est lui-même sous pression des nouvelles générations d'IA générative capables de produire du code quantitatif en langage naturel. Copilot, Cursor et leurs équivalents financiers abaissent la barrière d'entrée, diluant l'avantage compétitif de ces profils intermédiaires.

Ce que les machines ne savent pas (encore) faire

Prononcer la mort de tous les financiers humains serait une erreur symétrique à celle de nier la transformation en cours. Trois domaines présentent une résistance structurelle à l'automatisation.

La gestion de crise hors-distribution. Les algorithmes sont entraînés sur des données historiques. Ils sont remarquablement efficaces dans des marchés qui suivent des patterns connus. Mais lors d'événements sans précédent — une pandémie, une guerre, une crise bancaire systémique — ils peuvent amplifier la volatilité au lieu de l'absorber. Le flash crash de mai 2010, le dévissage de mars 2020, ou la crise des gilts britanniques en 2022 ont tous montré que des interventions humaines étaient nécessaires pour éviter des spirales destructrices. Les traders et gérants capables de naviguer dans l'incertitude radicale conservent une valeur irremplaçable.

L'intuition macro à horizon long. Les algorithmes excellent sur les horizons courts (millisecondes à quelques semaines). Sur les cycles longs — anticiper une récession à 18 mois, identifier un retournement géopolitique — l'avantage des modèles est moins évident. Des gérants comme Ray Dalio (Bridgewater) ou Stanley Druckenmiller ont construit leurs performances sur une lecture des cycles économiques que les modèles quantitatifs peinent à reproduire. Cette forme d'intelligence macro, nourrie d'expérience et de lecture des dynamiques humaines, reste une forteresse.

La relation client fortuné. La gestion de patrimoine pour les clients ultra-high net worth (UHNW, patrimoine supérieur à 30 millions d'euros) repose fondamentalement sur la confiance interpersonnelle. Un client fortuné qui transfère son patrimoine familial à une banque privée ne confie pas seulement de l'argent : il confie des projets, des valeurs, des angoisses, des dynamiques familiales complexes. Aucun algorithme ne peut reproduire l'écoute empathique d'un banquier privé expérimenté. Dans ce segment, les effectifs sont stables, voire en croissance.

Faut-il fuir la finance ?

La question n'est pas binaire. La finance reste un secteur qui rémunère bien, qui recrute des profils variés et qui offre des reconversions solides. Mais la carte des métiers s'est profondément redessinée.

Les parcours les plus résistants combinent trois dimensions : une compétence technique (data, programmation, modélisation statistique), une compréhension des dynamiques humaines (relation client, gestion de crise, pédagogie financière) et une spécialisation dans des domaines où la réglementation impose la présence humaine (conformité, lutte anti-blanchiment, risques opérationnels complexes).

Ce qui disparaît, en revanche, c'est le poste de « milieu de tableau » : l'analyste ou le trader junior qui passait ses journées à compiler des tableaux Excel ou à exécuter des ordres sur instruction. Ces postes ne reviendront pas. Et c'est là que réside le vrai défi : non pas la disparition de la finance humaine, mais l'élimination des échelons inférieurs qui constituaient autrefois les voies d'entrée dans le métier.

La finance algorithmique n'est pas l'ennemi des financiers. Elle est le nouveau terrain. Ceux qui l'acceptent et s'y adaptent trouveront des rôles plus intéressants, mieux rémunérés, et plus durables que les tâches répétitives qu'elle remplace. Ceux qui l'ignorent s'exposeront à une obsolescence progressive — pas spectaculaire, mais inexorable.