IA et compétences : le cas des métiers de la finance

Par Sébastien Ristori, consultant en finance, directeur du groupe BARNES Corse, maître de conférences associé des universités. Il est auteur aux Éditions Ellipses et chercheur auprès de la Banque de Luxembourg.

L’intégration de l’intelligence artificielle dans tous les métiers, entre autre celui de la finance, constitue une rupture épistémologique dans la manière de produire, d’interpréter et de valider l’information financière. Historiquement, la valeur du professionnel reposait sur sa capacité à construire des modèles, à structurer des hypothèses et à produire des prévisions cohérentes. Désormais, ces fonctions sont en grande partie automatisables. Les modèles prédictifs, les tableaux de prévision et les analyses de sensibilité peuvent être générés en quelques secondes, avec une profondeur technique souvent équivalente à celle d’un analyste expérimenté. Cette transformation déplace le centre de gravité de la compétence.

Premièrement, l’automatisation massive de la production modélisée entraîne une baisse relative de la valeur de la construction technique des modèles. Là où la maîtrise d’Excel, des méthodes de valorisation ou des techniques de projection constituait un avantage concurrentiel, ces compétences deviennent progressivement des prérequis implicites, voire invisibles. L’IA permet de produire des montages financiers ou un budget prévisionnel sans compréhension fine des mécanismes sous-jacents. Le risque est alors double : une standardisation des analyses, mais surtout une dissociation entre production et compréhension.

Deuxièmement, cette dissociation favorise l’émergence d’un phénomène d’imposture professionnelle. Des individus peuvent désormais présenter des travaux d’une grande sophistication apparente sans en maîtriser les fondements. Le signal traditionnel de compétence – la qualité formelle du modèle – devient brouillé. Cela pose un problème fondamental d’asymétrie d’information sur le marché du travail : comment distinguer un professionnel compétent d’un simple utilisateur d’outils ? La question n’est pas anodine, car elle touche directement à la crédibilité des analyses financières, notamment dans des contextes à fort enjeu comme le M&A, le financement structuré ou l’investissement.

Troisièmement, les modèles prédictifs issus de l’IA, bien que puissants, reposent sur des logiques probabilistes et sur des données historiques. Ils tendent à reproduire des régularités passées sans nécessairement intégrer les ruptures structurelles, les biais de marché ou les spécificités contextuelles. L’illusion de précision peut masquer une fragilité conceptuelle. L’utilisateur non averti peut confondre corrélation et causalité, robustesse statistique et pertinence économique. Ainsi, la compétence ne réside plus dans la capacité à produire un modèle, mais dans celle de le critiquer.

Face à cette mutation, la réponse doit être méthodologique et cognitive. L’intégration de l’IA dans chaque métier de la finance impose un repositionnement des compétences autour de trois axes.

Le premier axe est celui de la compréhension des mécanismes économiques et financiers. La théorie redevient centrale. Comprendre ce qu’est un flux de trésorerie, un coût du capital, une structure de financement ou un risque de défaut devient le seul moyen de juger de la pertinence d’un output généré par une machine. L’IA ne remplace pas la théorie, elle en révèle l’absence.

Le second axe est celui de la capacité critique. Il ne s’agit plus de produire, mais d’auditer la production. Le professionnel doit être capable d’identifier les incohérences, de tester la sensibilité des résultats, de remettre en cause les hypothèses implicites. Cette compétence est fondamentalement analytique et ne peut être automatisée. Elle repose sur l’expérience, la culture financière et la capacité à raisonner en incertitude.

Le troisième axe est celui de la traçabilité et de la justification. Dans un environnement où les modèles sont générés instantanément, la valeur se déplace vers la capacité à expliquer les résultats. Pourquoi cette valorisation ? Pourquoi ce scénario ? Pourquoi cette structure de financement ? L’exigence de transparence devient un critère central d’évaluation.

Dès lors, la question de l’évaluation des compétences se transforme profondément. Les méthodes traditionnelles – exercices techniques, production de modèles, études de cas standardisées – perdent en pertinence. Il devient nécessaire d’évaluer la compréhension, la capacité de critique et la robustesse du raisonnement. Cela suppose des formats nouveaux : confrontation à des modèles générés par IA, identification d’erreurs, justification d’hypothèses, construction de scénarios alternatifs. L’évaluation doit porter sur la pensée, non sur l’outil.

Si l’IA ne supprime pas les métiers de la finance, elle en redéfinit les fondements. Elle élimine progressivement les tâches de production pour valoriser les fonctions d’interprétation, de jugement et de décision. Le professionnel change de nature et sa véritable compétence n’est plus de savoir-faire, mais de savoir pourquoi et jusqu’où faire confiance à ce qui est produit.