Dans les salles de marché de Goldman Sachs à Manhattan, les écrans affichent des flux de données qui se déplacent plus vite que l’œil humain ne peut les lire. Des algorithmes passent des milliers d’ordres par seconde, analysant des signaux de marché, des données de sentiment, des corrélations historiques, et des flux d’informations en temps réel. Ce n’est pas de la science-fiction. C’est le fonctionnement ordinaire d’un marché financier moderne, où environ 60 à 75 pour cent du volume de transactions boursières américaines est exécuté par des programmes informatiques sans intervention humaine directe.
Mais voilà ce que cette image spectaculaire ne dit pas : générer 2 milliards de dollars en 48 heures grâce à un algorithme expérimental n’est pas une chose qui se produit, ni discrètement, ni légalement, ni même techniquement de façon aussi simple que les mythes viraux le suggèrent.
La SEC, qui surveille les marchés américains avec des systèmes de détection des anomalies de trading particulièrement sophistiqués, interviendrait bien avant qu’un tel résultat soit possible. Les bourses elles-mêmes ont des coupe-circuits — les « circuit breakers » — qui suspendent les négociations quand les mouvements dépassent certains seuils. Et surtout, un algorithme qui génère des gains de cette magnitude en cette durée crée par définition des contreparties perdantes : d’autres acteurs du marché qui remarquent immédiatement ce qui se passe et alertent leurs équipes de risque. Le Flash Crash de mai 2010, où le Dow Jones avait chuté de 1 000 points en quelques minutes à cause de ventes algorithmiques en cascade, est l’exemple le plus documenté de ce que les algorithmes peuvent faire aux marchés — et la réponse réglementaire avait été immédiate et massive.
La réalité de l’IA sur Wall Street est à la fois plus prosaïque et plus intéressante que les récits de gains extraordinaires. Les grandes banques investissent des milliards chaque année dans l’infrastructure IA — JPMorgan, Goldman Sachs, Morgan Stanley ont chacune des équipes de centaines d’ingénieurs en machine learning, des budgets technologiques qui se mesurent en dizaines de milliards sur plusieurs années, et des ambitions qui vont de l’automatisation du traitement des contrats à l’amélioration de la détection des fraudes en passant par l’optimisation de l’exécution des ordres. Les formations spécialisées en IA dans ces environnements coûtent jusqu’à 25 000 dollars par jour pour des experts capables de transposer les outils de machine learning dans des contextes de conformité réglementaire et de gestion du risque financier.
Ce que les études récentes de MIT Sloan et de Goldman Sachs Research soulignent avec une franchise qui contraste avec le bruit médiatique entourant l’IA, c’est que les retours sur ces investissements sont plus lents que les annonces initiales ne le laissaient entendre. L’infrastructure coûte avant de produire. Les gains de productivité existent mais se mesurent en pourcentages d’amélioration des processus existants, pas en ruptures spectaculaires. Les horizons de retour sur investissement projetés se situent entre trois et sept ans pour la plupart des déploiements institutionnels. Ce n’est pas une déception — c’est simplement la réalité d’un changement technologique profond qui prend le temps qu’il faut.
L’exception qui confirme la règle — et qui explique peut-être pourquoi les mythes de gains algorithmiques extraordinaires persistent — est le Medallion Fund de Renaissance Technologies. Ce fonds, géré par l’ancien mathématicien James Simons et son équipe, a généré des rendements moyens d’environ 66 pour cent par an avant frais pendant trente ans. C’est réel, documenté, et totalement exceptionnel. Ce qui le distingue de l’image du « rogue algorithm » n’est pas la technologie mais la décennie de construction méthodique des modèles, la discipline de gestion du risque, et la taille délibérément limitée du fonds pour éviter que ses propres mouvements ne déplacent les marchés qu’il exploite. Renaissance n’a pas « déjoué Wall Street » en 48 heures. Il l’a construit sur trente ans.
Il y a quelque chose de révélateur dans la persistance des mythes de gains algorithmiques instantanés. Ils répondent à une attente que la technologie devrait produire des résultats immédiats et disproportionnés — une attente que le secteur financier lui-même a parfois encouragée dans ses communications avec les investisseurs. La réalité est que les algorithmes les plus efficaces sur les marchés sont ceux qui ont été construits, testés, ajustés, et exploités avec patience sur de longues périodes. La richesse qu’ils génèrent est réelle. Mais elle s’accumule à un rythme que les titres viraux trouvent manifestement trop peu spectaculaire pour être racontés.
