Comment les bourses mondiales misent sur l'intelligence artificielle

Quand on pense à l'intelligence artificielle en finance, on imagine souvent des fonds spéculatifs gérant des systèmes de trading opaques. Pourtant, certaines des expériences d'IA les plus importantes se déroulent à un niveau plus profond, au sein même des bourses mondiales. De New York à Londres, de Mumbai à Singapour, les places boursières déploient l'IA pour réguler les marchés, optimiser l'infrastructure de trading, concevoir de nouveaux produits et proposer aux investisseurs des services de données toujours plus sophistiqués. Il en résulte une transformation discrète mais profonde du fonctionnement des marchés de capitaux, qui modifie l'équilibre des pouvoirs entre les bourses, les régulateurs, les courtiers et les traders. Les économistes peinent encore à appréhender pleinement ce phénomène, et les décideurs politiques commencent à peine à le réglementer de manière cohérente, malgré la pression croissante du secteur et des investisseurs.

Pour bien comprendre cette évolution, il est utile de rappeler que les bourses, pendant la majeure partie de leur histoire, étaient des lieux physiques où s'animaient les échanges des traders et où les ordres étaient écrits sur papier. Le jugement humain et les relations interpersonnelles y jouaient un rôle prépondérant dans la formation des prix et la fourniture de liquidités. Or, au cours des trente dernières années, elles se sont transformées en centres de données ultra-rapides dont le principal service est l'appariement fiable des ordres électroniques. L'intelligence artificielle est la suite logique de cette évolution, car à mesure que les plateformes de négociation sont devenues numériques, leur véritable atout s'est transformé en données. Or, l'IA se développe grâce à des ensembles de données volumineux, précis et bien structurés, soit précisément ce qu'une bourse moderne produit à chaque microseconde de chaque séance. Cette synergie n'a pas échappé aux dirigeants des bourses, qui décrivent de plus en plus leurs organisations non plus comme des places de marché, mais comme des « entreprises technologiques et de données disposant d'une licence réglementaire ». Cette expression a récemment été utilisée par la direction du Nasdaq pour expliquer son virage stratégique vers les logiciels, l'analyse de données et les services basés sur l'IA.

L'utilisation la plus ancienne et toujours la plus visible de l'IA sur les marchés boursiers se situe au niveau de la salle des marchés, ou plutôt dans les algorithmes qui remplacent désormais les traders humains. En effet, les sociétés de trading haute fréquence et les grands courtiers s'appuient sur des modèles d'apprentissage automatique pour acheminer les ordres, prédire les fluctuations de prix à court terme et adapter leurs stratégies en temps réel aux variations de liquidité. Cependant, les bourses ne sont plus de simples plateformes neutres hébergeant passivement ces stratégies ; elles intègrent de plus en plus l'IA à leurs moteurs de correspondance pour prévoir la congestion des flux d'ordres, gérer la latence et anticiper les goulots d'étranglement potentiels. Par exemple, les ingénieurs peuvent entraîner des modèles sur des données historiques afin de prédire les pics de volume liés aux enchères ou aux rééquilibrages d'indices, permettant ainsi au système de pré-allouer les ressources de calcul et d'éviter les pannes. Si cela peut paraître une optimisation purement technique, cela a des implications directes sur l'équité du marché, car une plateforme résiliente et prévisible est moins sujette aux dysfonctionnements susceptibles de donner un avantage indu aux participants les plus rapides ou de miner la confiance des investisseurs.

Un domaine plus sensible politiquement et crucial sur le plan stratégique est celui de la surveillance des marchés, où l'IA est rapidement devenue un outil essentiel pour les bourses qui doivent surveiller des milliers de titres, qu'il s'agisse de titres au comptant, de produits dérivés ou de produits à revenu fixe. Les systèmes de surveillance traditionnels, basés sur des règles, signalent les comportements suspects tels que les opérations fictives, le layering ou le spoofing lorsqu'ils correspondent à des schémas prédéfinis. Cependant, les manipulations de marché sophistiquées sont rarement identiques, et les manipulateurs humains sont passés maîtres dans l'art de modifier leurs comportements juste en dehors des limites des règles statiques. Les systèmes d'apprentissage automatique promettent de renverser cette dynamique en apprenant le comportement microstructurel normal de chaque titre, lieu de négociation et moment de la journée, puis en signalant les anomalies qui s'écartent de cette base multidimensionnelle. Le Nasdaq, par exemple, a publiquement présenté sa technologie de surveillance SMARTS, qui intègre l'apprentissage automatique pour détecter les schémas de négociation inhabituels et est vendue non seulement à ses propres marchés, mais aussi à plus de 50 bourses et autorités de régulation dans le monde entier. Ceci illustre comment l'investissement d'une bourse dans l'IA se diffuse rapidement pour devenir une norme mondiale qui influence les pratiques de supervision sur tous les continents.

Le développement des outils de surveillance basés sur l'IA témoigne également d'un repositionnement subtil des plateformes d'échange, qui deviennent de véritables partenaires de conformité pour les régulateurs, et non plus de simples sujets de surveillance. En effet, à mesure que les modèles se perfectionnent et intègrent des données intermarchés et multi-actifs, ils peuvent identifier des fraudes qui resteraient invisibles au sein d'une seule plateforme. Cette évolution soulève des questions fondamentales de gouvernance et de responsabilité. Si un système d'IA signale une anomalie qui s'avère être un faux positif, ou pire, s'il ne détecte pas une manipulation majeure, la responsabilité sera partagée de manière opaque entre la plateforme ayant entraîné le modèle, le régulateur s'étant fié à ses résultats et, éventuellement, le fournisseur de certains de ses composants. Des juristes notent des parallèles avec la dépendance de l'industrie aéronautique à l'égard de systèmes de plus en plus autonomes, où la surveillance humaine devient souvent ritualisée plutôt que substantielle, et quelques historiens des marchés ont établi des comparaisons avec le krach éclair de 2010, arguant que si la surveillance pilotée par l'IA avait été plus mature à l'époque, certaines boucles de rétroaction auraient pu être détectées plus tôt, bien que d'autres rétorquent que la complexité des interactions de marché produira toujours des cas limites qui échappent à l'examen algorithmique.

Au-delà de la surveillance et des infrastructures, l'IA remodèle les modèles économiques des bourses grâce à l'essor des données de marché et des services d'analyse, qui génèrent désormais, pour de nombreuses plateformes, une part substantielle de leurs revenus par rapport aux commissions traditionnelles. Les bourses peuvent intégrer des années de données de prix et de carnets d'ordres, mises à jour au tick près, dans des systèmes d'apprentissage automatique afin de créer des indices propriétaires, des cartographies sectorielles, des prévisions de volatilité et des signaux factoriels qu'elles commercialisent auprès de clients institutionnels. L'acquisition de Refinitiv par le London Stock Exchange Group en 2021 a été largement perçue comme un signe que les données et l'analyse, enrichies par l'IA, seraient au cœur de sa stratégie de croissance. Les dirigeants ont d'ailleurs évoqué ouvertement l'utilisation de l'IA générative pour aider leurs clients à interroger de vastes bases de données financières en langage naturel. De même, ICE, maison mère du New York Stock Exchange, a investi massivement dans l'analyse pilotée par l'IA pour les marchés obligataires et hypothécaires, pariant sur le fait qu'avec l'expansion des obligations de reporting réglementaire, les clients auront besoin d'outils sophistiqués pour s'orienter dans l'océan d'informations structurées et non structurées qui en résultera.

La logique stratégique de ces initiatives est simple : les volumes d'échanges peuvent être cycliques et fortement influencés par la conjoncture macroéconomique, tandis que la demande de données et d'analyses de haute qualité est plus stable et offre des marges plus importantes. L'IA aide les bourses à évoluer, passant de simples lieux d'échange à de véritables centres d'intelligence qui éclairent les décisions d'investissement avant et après les transactions. À terme, cette évolution pourrait estomper la frontière entre les bourses et les fournisseurs de données, une tendance que certains observateurs jugent déjà préoccupante car elle risque de concentrer le pouvoir de marché et d'accroître les coûts pour les petits acteurs. Les gestionnaires d'actifs se plaignent depuis des années de la hausse des frais de données, et les produits enrichis par l'IA pourraient intensifier ce débat si l'analyse sophistiquée devenait indispensable plutôt qu'optionnelle. Les autorités de la concurrence pourraient alors être amenées à examiner comment les bourses regroupent l'accès, les données et les services basés sur l'IA, et si cela compromet l'égalité des chances que les marchés publics sont censés garantir.

Pour l'avenir, le prochain défi des initiatives d'IA pilotées par les bourses réside dans l'analyse prédictive, à la frontière entre la gestion des risques et les services de quasi-conseil. Certaines bourses expérimentent des outils capables de prédire la probabilité d'une suspension de cotation pour une action donnée, la probabilité qu'une reconstitution d'indice déclenche une volatilité extrême ou l'impact systémique d'une échéance importante d'options. Ces prévisions peuvent aider les acteurs du marché à planifier des stratégies de couverture et à ajuster l'offre de liquidités, mais elles soulèvent également des questions de réflexivité. En effet, si un nombre suffisant de traders réagissent au même signal généré par l'IA, ils risquent de modifier le résultat même prédit par le modèle, dans une dynamique qui rappelle la théorie de la réflexivité de George Soros appliquée aux marchés financiers. Les praticiens expérimentés des marchés mettent en garde contre le risque qu'une confiance aveugle dans les prévisions de l'IA reproduise l'excès de confiance qui a précédé les crises passées, comme la faillite de Long-Term Capital Management en 1998, dont les statisticiens pensaient que leurs modèles prenaient en compte tous les risques pertinents. L'IA moderne offre une plus grande flexibilité, mais ne résout pas comme par magie le problème de l'information incomplète et du comportement humain imprévisible.

Les disparités régionales complexifient encore la situation mondiale, car les bourses des États-Unis, d'Europe et d'Asie n'intègrent pas l'IA de manière identique, et leurs environnements réglementaires déterminent ce qui est autorisé et rentable. Aux États-Unis, où les marchés sont fragmentés sur des dizaines de plateformes et de systèmes de négociation alternatifs, l'IA est largement utilisée pour optimiser le routage et l'internalisation des ordres, ce qui amène certains critiques à affirmer que le système est devenu trop complexe et opaque pour être compris par les investisseurs particuliers. Les bourses européennes, opérant sous le cadre de MiFID II, sont soumises à des règles plus strictes en matière de transparence des données et de meilleure exécution, ce qui influence leur capacité à commercialiser des analyses enrichies par l'IA sans enfreindre les plafonds réglementaires sur les frais de données. Parallèlement, les bourses asiatiques, notamment à Singapour, Hong Kong, Shanghai et Mumbai, considèrent souvent l'adoption de l'IA comme faisant partie d'une stratégie nationale plus large visant à se positionner comme des places financières mondiales. Les gouvernements soutiennent des environnements de test et des partenariats public-privé qui expérimentent des innovations basées sur l'IA dans la compensation, le règlement transfrontalier et la cotation d'actifs numériques, tout en promouvant les talents et les infrastructures locales en matière d'IA comme un secteur stratégique.

L'histoire de l'innovation financière montre que de telles courses technologiques entre les bourses peuvent remodeler la hiérarchie mondiale des marchés de manière imprévisible. Ainsi, la bourse d'Amsterdam, au XVIIe siècle, a dominé en partie grâce à son rôle pionnier dans l'introduction de nouveaux instruments comme les contrats à terme et les options. Londres l'a ensuite surpassée en maîtrisant le règlement international et les cotations liées à son empire, et New York a pris l'ascendant plus tard grâce à l'industrialisation et à d'importants capitaux nationaux. Au XXIe siècle, l'avantage concurrentiel pourrait moins reposer sur la géographie que sur la sophistication des infrastructures, des produits de données et des contrôles des risques s'appuyant sur l'IA. Les bourses plus petites, mais technologiquement avancées, pourraient ainsi jouer un rôle disproportionné par rapport à leur taille. Cette perspective a incité certains décideurs politiques à appeler à une coordination internationale accrue sur les normes d'IA dans l'infrastructure de marché, de peur qu'un ensemble disparate de systèmes incompatibles et d'arbitrages réglementaires ne recrée les vulnérabilités qui ont conduit aux précédents chocs systémiques. Cependant, une telle coordination est politiquement délicate car les bourses sont désormais des sociétés cotées en bourse dont les actionnaires attendent d'elles qu'elles s'efforcent activement d'accroître leur croissance et leur rentabilité, même si cela implique de s'aventurer dans des zones grises sur les plans éthique et juridique en matière de monétisation des données et de prise de décision algorithmique.

L'adoption de l'IA s'étend également aux services d'introduction en bourse et aux services aux émetteurs. Les bourses expérimentent des outils capables d'évaluer la capacité des entreprises privées à entrer en bourse, d'estimer la demande probable des investisseurs à partir de données historiques et de l'analyse du sentiment des investisseurs, et même de générer des versions préliminaires des documents à publier afin d'aider les entreprises à se conformer plus efficacement aux règles d'introduction. Les partisans de ces outils affirment qu'ils pourraient réduire le coût de l'introduction en bourse, notamment pour les petites entreprises ne disposant pas d'importantes équipes juridiques et bancaires, et ainsi relancer les marchés publics qui ont connu un recul relatif des nouvelles introductions en bourse face à l'essor du capital-investissement et du prêt direct. Les sceptiques rétorquent que l'automatisation de certaines étapes du processus d'introduction en bourse pourrait encourager une approche superficielle, où émetteurs et places boursières s'appuieraient trop sur l'IA pour juger de la qualité de la gouvernance ou du risque commercial, ce qui risquerait de permettre à des entreprises fragiles de passer entre les mailles du filet. Ils établissent un parallèle avec la période d'avant 2008, où les titres hypothécaires complexes bénéficiaient de notations excessivement favorables de la part de modèles incapables d'anticiper les défauts de paiement corrélés. Ils mettent en garde contre le risque d'une complaisance similaire à l'égard du confort généré par l'IA pour les introductions en bourse et les SPAC (Special Purpose Acquisition Companies).

Les investissements des plateformes d'échange dans l'IA s'inscrivent dans le contexte dynamique des actifs numériques et des titres tokenisés, où de nouvelles plateformes rivalisent pour coter les cryptomonnaies, les security tokens et autres instruments basés sur la blockchain. Nombre de ces plateformes émergentes mettent en avant leurs moteurs de risque pilotés par l'IA, leurs systèmes de recommandation et leurs analyses on-chain comme atouts concurrentiels, tandis que les plateformes établies explorent avec prudence comment adapter leurs technologies et leurs cadres réglementaires à la tokenisation sans compromettre la protection des investisseurs. Par exemple, certaines ont lancé des projets pilotes où des obligations ou des actifs immobiliers traditionnels sont tokenisés et négociés parallèlement à leurs formes conventionnelles, des systèmes d'IA surveillant la liquidité, les écarts de prix et les risques de règlement dans les deux contextes. Cette expérimentation laisse entrevoir un avenir où la définition même d'une plateforme d'échange s'estompe, les plateformes hybrides permettant de traiter des ordres portant sur une grande variété d'actifs, des crédits carbone tokenisés à l'art fractionné, le tout sous le contrôle d'algorithmes d'IA opérant en temps quasi réel sur différentes classes d'actifs et juridictions.

Du point de vue des investissements stratégiques, l'une des tendances les plus marquantes est la manière dont les bourses acquièrent des entreprises spécialisées dans l'IA et les données, ou s'associent à elles, afin d'accélérer le développement de leurs capacités. En effet, la mise en place d'une IA de pointe en interne est coûteuse et chronophage, notamment dans un environnement fortement réglementé où l'explicabilité et l'auditabilité sont primordiales. Le Nasdaq, par exemple, a investi dans des entreprises de technologies réglementaires (RegTech) et de sécurité du cloud dont les outils intègrent l'apprentissage automatique, et les a intégrés à ses offres de technologies de marché vendues à d'autres bourses et banques du monde entier. De même, Deutsche Börse a pris des participations dans des fournisseurs d'analyse et d'indices qui utilisent l'IA pour construire des indices thématiques et des scores ESG, ce qui témoigne de sa conviction que la prochaine vague de la demande des investisseurs se concentrera sur la durabilité et l'analyse des risques à long terme, domaines dans lesquels l'apprentissage automatique peut contribuer au traitement de vastes volumes de données environnementales, sociales et de gouvernance. Ces initiatives s'inscrivent dans une approche plus large de capital-risque d'entreprise, où les bourses misent sur de multiples innovateurs externes, espérant capter les gains tout en obtenant un accès précoce à des technologies qui pourraient ensuite être déployées à grande échelle sur leurs marchés principaux.

Il est difficile de quantifier précisément les investissements mondiaux des fournisseurs d'infrastructures de marché dans l'IA, car de nombreux projets sont intégrés à des budgets technologiques plus vastes. Cependant, selon les estimations des cabinets de conseil, les bourses et les chambres de compensation dépensent collectivement des milliards de dollars par an en analyses avancées, migration vers le cloud et automatisation, l'IA représentant une part croissante de ces investissements. Ces dépenses ne visent pas seulement à rester à la pointe ; elles servent également à se défendre contre les cybermenaces qui exploitent de plus en plus l'IA. Des acteurs malveillants utilisent des outils automatisés pour détecter les vulnérabilités, imiter les comportements de trading ou lancer des attaques de phishing sophistiquées ciblant les employés et les clients des bourses. En réponse, les bourses adoptent des systèmes de cybersécurité basés sur l'IA qui apprennent le comportement normal du réseau et signalent les anomalies, créant ainsi une course à l'armement au sein même de la course à l'armement, où les algorithmes défensifs et offensifs s'adaptent continuellement l'un à l'autre. Les experts en cybersécurité avertissent que le risque ultime n'est pas seulement une panne temporaire, mais une atteinte subtile à l'intégrité des données. Dans un contexte de marché, cela pourrait se traduire par des historiques d'ordres falsifiés ou des prix de référence manipulés, sapant la confiance dans les indices de référence considérés comme inviolables.

Les implications éthiques et sociales de cette transformation des marchés par l'IA commencent à peine à faire l'objet de débats sérieux, et elles dépassent largement les préoccupations habituelles liées aux pertes d'emplois dues à l'automatisation, même si celles-ci sont bien réelles pour certains postes dans les opérations, la conformité et le support informatique. Plus fondamentale encore est la question de l'opacité et du contrôle, car à mesure que les systèmes d'IA prennent davantage de décisions concernant le fonctionnement du marché – qu'il s'agisse de signaler les transactions suspectes ou de gérer les ressources informatiques en période de forte tension –, la logique de ces décisions peut devenir impénétrable, même pour les ingénieurs qui ont conçu les modèles. Les régulateurs ont commencé à promouvoir une « IA explicable » pour les fonctions financières critiques, mais les informaticiens soulignent qu'il existe souvent un compromis entre précision et interprétabilité ; exiger une transparence parfaite pourrait donc impliquer l'utilisation de modèles moins performants. Cette tension fait écho à des débats sociétaux plus larges sur l'IA dans des domaines comme la santé et la justice pénale, mais les enjeux sur les marchés financiers sont également systémiques car une rupture de confiance peut déclencher des paniques et des pénuries de liquidités qui se répercutent sur l'économie réelle, affectant l'emploi, l'épargne et les finances publiques, ce qui élève la question apparemment technique de la conception de l'IA au sein des marchés à une question de stabilité macroéconomique.

Un mythe tenace, répandu parmi les observateurs occasionnels, veut que l'essor de l'IA sur les marchés boursiers engendre inévitablement des marchés parfaitement efficients, où les erreurs de prix disparaîtront et les krachs appartiendront au passé. Or, les historiens des marchés et les économistes comportementaux s'accordent presque unanimement à rejeter ce discours optimiste. Ils soulignent que chaque avancée technologique majeure dans l'infrastructure des marchés, du télégraphe au trading algorithmique, s'est accompagnée de nouvelles formes de volatilité et d'opportunités d'exploitation. Si l'IA peut contribuer à détecter plus rapidement les comportements manipulateurs et à gérer plus efficacement les risques opérationnels, elle ne peut pour autant éliminer la peur, l'avidité et les limites de la rationalité humaine, ni anticiper pleinement les chocs politiques, les catastrophes naturelles ou les pandémies qui bouleversent du jour au lendemain les perspectives économiques. De fait, certains chercheurs affirment qu'en accélérant et en complexifiant les interactions de marché, l'IA pourrait amplifier les comportements grégaires dans certains cas de figure. En effet, les algorithmes entraînés sur des données similaires convergent vers des réactions comparables, ce qui conduit à des positions surchargées qui se dénouent brutalement en cas de changement de conjoncture. Ainsi, même si les investissements des bourses dans l'IA peuvent améliorer de nombreux aspects du fonctionnement des marchés, ils ne supprimeront ni le cycle économique ni les fondements psychologiques des bulles spéculatives et des krachs.

En définitive, la manière dont les bourses utiliseront l'intelligence artificielle au cours de la prochaine décennie déterminera qui bénéficiera de la transformation numérique en cours dans le secteur financier. Sans une gouvernance rigoureuse, le risque existe que les gains profitent principalement aux grandes institutions qui peuvent s'offrir des données et des analyses de pointe, creusant ainsi l'écart entre les acteurs avertis et les petits investisseurs. Certains experts suggèrent des contre-mesures, comme l'obligation de fournir un niveau minimal de données de marché publiques et lisibles par machine, le soutien aux outils d'IA open source pour l'analyse financière et l'encouragement des partenariats entre les universités et les bourses afin de démocratiser l'accès aux techniques avancées. D'autres préconisent une approche davantage axée sur le marché, prévoyant que la concurrence entre les bourses, les plateformes fintech et les protocoles décentralisés finira par faire baisser les prix et stimuler l'innovation, comme cela s'est produit dans d'autres secteurs à forte intensité technologique. Quel que soit le chemin politique choisi, les choix effectués aujourd'hui concernant l'architecture de l'IA, la propriété des données et la transparence des systèmes centraux des bourses façonneront non seulement l'infrastructure des marchés mondiaux, mais aussi la répartition des opportunités financières à une époque où les algorithmes jouent un rôle de plus en plus déterminant dans l'accès au capital, ses conditions et le niveau de compréhension des risques encourus.