L’avenir de l’investissement durable avec l’IA

La révolution de l’intelligence artificielle (IA) n’est plus une perspective lointaine ; c’est d’ores et déjà une dynamique puissante qui remodèle tous les secteurs. Pour le monde de la finance, elle représente à la fois une immense opportunité de générer des informations à partir de vastes ensembles de données, et un risque important lié à des modèles peu fiables et opaques. Ce paradoxe est particulièrement marqué dans le domaine de l’investissement durable, où l’intégrité de l’analyse est primordiale. Une approche rigoureuse et centrée sur l’humain est donc essentielle.

En effet, le discours actuel sur l’intelligence artificielle (IA) est dominé par les avancées technologiques et scandé par l’annonce de nouveaux modèles à un rythme effréné. Si ces progrès sont remarquables, une société d’investissement prudente se doit de faire la distinction entre la technologie et son objectif. L’IA n’est pas en soi une proposition de valeur; c’est une puissante ressource pour la transformation. Affir-mer le contraire serait comme entendre un fabricant vantant «l’électricité» comme un atout de son produit. Nos clients et nos analystes se soucient peu du code sous-jacent; ce qui les intéresse, c’est ce qu’il fait.

Dans le cadre de l’investissement durable, l’IA permet de transformer un volume d’informations colossal en analyses plus claires, de réduire les erreurs et de formuler des convictions fondées sur des preuves plus robustes. Elle permet de consacrer moins de temps au recueil de données administratives et plus de temps à l’interprétation stratégique. La véritable valeur de l’IA est d’améliorer l’évaluation des experts, en leur donnant la capacité de produire des analyses plus approfondies dans un monde de plus en plus complexe.

Évoluer dans un nouvel univers

Le paysage de l’investissement durable n’a jamais été aussi complexe. Si les informations ESG sont désormais plus facilement accessibles, leur utilisation pose des défis croissants. Les professionnels de l’investissement sont aujourd’hui confrontés à une série de pressions interdépendantes qui poussent les méthodes d’analyse classiques à leur point de rupture. Loin d’être autonomes, ces forces se combinent et créent un goulot d'étranglement qui nécessite une nouvelle génération d’outils et une redéfinition de l’approche analytique.

• Volume de données

L’ambition bienvenue de plus grande transparence des entreprises, soutenue par un ensemble croissant de réglementations telles que la directive européenne sur le reporting extra-financier (CSRD) et l’évolution des normes mondiales de l’International Sustainability Standards Board (ISSB) de l’IFRS, a entraîné une croissance exponentielle des informations ESG. Aujourd’hui, le rapport de durabilité d’une entreprise dépasse souvent la centaine de pages. Le risque est de « paralyser » l’analyse : Le volume considérable de données peut autant occulter qu’il ne révèle, ce qui peut entraîner une mauvaise allocation des capitaux.

• Système réglementaire fragmenté

Les juridictions évoluent à des rythmes différents, créant une mosaïque complexe à l’échelle mondiale. L’Union européenne a adopté une approche globale fondée sur des règles, imposant une large divulgation d’informations par les entreprises au travers de la CSRD. A contrario, aux États-Unis, le paysage est davantage axé sur le marché et est parfois politisé. Il s’appuie sur des normes issues de principes émanant d’organismes tels que la Securities and Exchange Commission (SEC). Pour une société d’in-vestissement mondiale, cela nécessite un cadre analytique qui soit à la fois évolutif et suffisamment cohérent pour répondre à des exigences divergentes.

• Le défi de la véracité

À mesure que les critères ESG sont intégrés dans les investissements traditionnels, les entreprises sont de plus en plus incitées à faire de l’écoblanchiment (« greenwashing »). Celui-ci prend des formes plus subtiles que les simples fausses allégations : sélection de données favorables, fixation d’objectifs à long terme flous sans plans de transition crédibles et priorité donnée à des initiatives sans importance. La charge de la preuve qui pèse sur les analystes s’en trouve alourdie, ce qui impose un processus de vérification solide basé sur des preuves afin d’éviter tout risque inutile.

La philosophie en pratique

Un cadre responsable d’intégration de l’IA dans l’investissement doit reposer sur les principes fondamentaux de souveraineté des données, de précision et de prudence, afin de tenir compte des risques sur le long terme.

La souveraineté des données est primordiale. S’appuyer sur des services d’IA externes et tiers pour des analyses sensibles revient à céder le contrôle des données et des méthodes d’analyse internes, ce qui est source de risques importants. Cet impératif est d’autant plus urgent que les principaux fournisseurs de données et d’analyses ESG appliquent actuellement des restrictions interdisant l’utilisation de leur contenu avec des services d’IA générative tiers. Cette décision de protéger leur propriété intellectuelle fait qu’une infrastructure d’IA exclusive et interne représente non seulement un choix pour une meilleure sécurité, mais aussi une nécessité stratégique pour la continuité des analyses. En donnant la priorité à un cadre interne sécurisé, les établissements financiers précurseurs garantissent que la propriété intellectuelle de l’entreprise, allant de sa méthodologie unique de notation ESG à ses argumentaires d’investissement, reste confidentielle et protégée par sa propre gouvernance, préservant ainsi une source clé d’avantage concurrentiel.

Vient ensuite l’impératif de précision et de factualité. Une approche prudente passe par l’ancrage de l’IA, obtenu via des architectures telles que la RAG (Retrieval-Augmented Generation). Fondamentalement différente de l’IA générative standard, cette méthode oblige le système à agir comme un assistant de recherche, et non comme un auteur. Celui-ci doit bâtir son analyse à partir de faits vérifiables issus d’une bibliothèque de documents fiables, et non à partir de l’immensité de données non vérifiées d’Internet. Cela garantit que chaque affirmation est liée à une source vérifiable, transformant une éventuelle « boîte noire » en un « outil transparent ».

Enfin, la philosophie de conception doit être centrée sur l’humain. Les outils d’IA les plus efficaces complètent les experts, ils ne les remplacent pas. Le système doit être conçu pour prendre en charge l’échelle et la vitesse du traitement des données, tandis que l’analyste humain apporte les rouages indispensables de la réflexion critique et de l’évaluation prospective.

L’IA est un puissant outil de reconnaissance de tendances et de détection d’anomalies, mais seul un analyste expérimenté peut décider de l’importance stratégique de ces résultats dans un contexte géopolitique et de marché plus large.

De la théorie à la pratique : l’outil ESG assisté par IA

L’application de ces principes se traduit par une nouvelle génération d’outils internes de profilage ESG. Le flux de travail analytique tradi-tionnel (cf. partie supérieure du graphique ci-dessous) était généralement chargé en tâches manuelles chronophages. Le modèle assisté par l’IA, illustré dans la partie inférieure, inverse fondamentalement ce modèle en réorientant les efforts vers les fonctions très exigeantes où les compétences humaines créent le plus de valeur.

Cette transformation est rendue possible par un processus rigoureux en plusieurs étapes, entièrement exécuté sur une infrastructure interne sécurisée, conçue minutieusement pour limiter les risques inhérents à l’IA générative. Elle commence par la constitution d’une base de connaissances raisonnée. Les rapports d’entreprise et les études sous licence sont intégrés et divisés en segments logiques. Chaque segment est ensuite converti en une représentation numérique («embedding»), qui en saisit sa signification sémantique. Cette étape est cruciale, car elle transforme une bibliothèque statique de documents en une base de données dynamique et consultable de concepts. Le gain d’efficacité est analogue à celui d’un analyste qui se voit remettre les pages d’un ouvrage pertinentes pour sa question, plutôt que d’avoir à chercher dans toute la bibliothèque.

Du traitement manuel à la vision stratégique

Le graphique illustre le passage d’un flux de travail traditionnel dominé par le traitement manuel des données à un modèle reposant sur l’assistance de l’IA. L’analyste augmenté est libéré des tâches à faible valeur ajoutée pour se recentrer sur des fonctions stratégiques très exigeantes telles que la validation, la production d’analyses et la revue finale.

Pour déverrouiller cette bibliothèque, synthétiser l’analyse et vérifier le résultat, le système s’appuie sur une série de consignes bien structurées. Il ne s’agit pas de simples questions, mais d’instructions détaillées qui guident le raisonnement de l’IA à chaque étape. Une consigne de haute qualité est l’un des remparts les plus importants contre les hallucinations de l’IA, car elle garantit que le système fonctionne comme prévu. En ancrant l’IA dans un contexte spécifique et vérifié, le système est, de par son architecture, empêché d’inventer des faits.

L’IA passe ensuite à l’étape de synthèse. À l’aide des informations factuelles récupérées et d’instructions supplémentaires, elle rédige une première analyse. Notons que le modèle reçoit pour instruction de non seulement synthétiser les données provenant de sources externes et internes, mais aussi de produire une citation précise pour chaque affirmation, en la renvoyant directement au document et à la page sources.

Ensuite, une étape de vérification agit comme un dispositif interne et automatisé de contrôle de la qualité. Cette deuxième fonction de l’IA analyse la première ébauche, vérifie de manière programmée l’exactitude des citations et signale toute affirmation qui n’est pas étayée par le texte source fourni.

Enfin, l’analyste effectue l’étape cruciale de la validation et de l’analyse. Le résultat fourni par l’IA, accompagné de ses preuves, ne peut être considéré que comme une ébauche. L’expert humain reste le décideur final, chargé de confirmer les faits, de remettre en question les discours et d’intégrer la complexité du contexte que les modèles ne peuvent pas saisir, comme la crédibilité des objectifs à long terme d’une entreprise ou la qualité de sa gouvernance.

Si ce processus réduit le temps de rédaction d’environ 80%, son principal avantage réside dans l’amélioration de la qualité et de la traçabilité. Ce flux de travail crée une chaîne de preuves transparente, qui facilite les discussions sur la gestion responsable et les demandes réglementaires. Au final, il transforme le quotidien des analystes. Le processus de révision part désormais d’une ébauche structurée et référencée, et non plus d’une page blanche, ce qui permet de passer plus rapidement du discours de l’entreprise à son interprétation, et donc de se concentrer davantage sur l’analyse des scénarios et les risques.

Au-delà de l’indice de référence

La transition technologique a une autre implication de grande portée : elle ouvre des segments de marché jusqu’alors opaques à une analyse rigoureuse de la durabilité. Historiquement, les recherches ESG approfondies concernaient surtout les grandes capitalisations des marchés développés, qui disposent des ressources nécessaires pour produire des rapports de durabilité complets et bien structurés. Le coût élevé de la collecte et de l’analyse manuelles des données empêchait les PME ou les entreprises de nombreux pays émergents d’offrir le même niveau de couverture. Les outils d’IA permettent de lever cet obstacle. En traitant efficacement un éventail plus large de données moins structurées, ces outils font que l’analyse d’un univers beaucoup plus large d’entreprises devient économiquement viable. Loin de compromettre sur la qualité, cela permet aux analystes d’appliquer leur scepticisme et leur expertise à un ensemble plus large de conclusions préliminaires. L’IA se charge de la collecte des données, tandis que l’expert humain reste l’arbitre ultime en matière de qualité et de matérialité. Cette aptitude sera essentielle à mesure que les données ESG brutes se banalisent.

Avec la diffusion croissante des informations, la simple possession de données ne constituera plus un avantage concurrentiel. Le véritable atout résidera dans un processus analytique supérieur capable de convertir ces données élémentaires en analyses exclusives et exploitables. Cela permettra de dénicher des leaders durables et des opportunités intéressantes bien au-delà des indices de référence traditionnels.

La rigueur au service d’une compréhension plus approfondie

La véritable transformation apportée par l’IA dans le domaine financier concerne non seulement l’efficacité, mais aussi l’amélioration de la qualité des décisions d’investissement. Les mêmes principes qui améliorent le profilage ESG peuvent être appliqués à d’autres domaines complexes nécessitant de grandes quantités de documents, de l’analyse de crédit à la recherche thématique.

In fine, l’évolution de l’IA redessinera les contours de l’expertise en matière d’investissement. L’avantage concurrentiel d’un analyste ne résidera plus dans le simple fait d’être le premier à trouver l’information, mais dans sa capacité à poser les bonnes questions, à porter un regard critique sur les résultats et à prendre les meilleures décisions dans un contexte d’incertitude. En outre, un outil interne d’IA bien géré crée un actif institutionnel cumulatif. Chaque analyse, chaque vérification et chaque commentaire d’un analyste contribue à enrichir une base de connaissances structurée, donnant naissance à une « mémoire institutionnelle » susceptible de devenir plus intelligente et plus perspicace au fil du temps, alimentant ainsi le capital intellectuel de l’entreprise.

Cette puissante synergie entre l’expertise humaine et la précision de la machine aboutit à un processus d’investissement plus résilient et plus intelligent, permettant aux professionnels de relever les défis d’aujourd’hui tout en développant la vision nécessaire pour les portefeuilles de demain.