Generative AI for Analysts
En tirant parti de l'intégration de l'IA générative dans FactSet en 2023 comme une expérience naturelle, cette étude révèle que si la technologie enrichit considérablement l'étendue et la rapidité des rapports des analystes financiers, elle expose simultanément l'attention humaine comme un nouveau goulot d'étranglement, entraînant une réduction de la précision des prévisions sous des demandes de traitement de l'information élevées malgré la disponibilité de données sous-jacentes supérieures.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans le monde de la finance, les analystes professionnels agissent comme des guides essentiels pour les investisseurs. Leur travail consiste à prendre un flux massif et chaotique de données financières — rapports de résultats, tendances du marché et actualités économiques — et à les distiller en conseils clairs et exploitables. Pendant des décennies, ce travail a été défini par une simple limitation humaine : une personne ne peut lire, comprendre et synthétiser qu'une quantité limitée d'informations en une seule journée. Même l'analyste le plus qualifié possède une capacité d'attention et un temps finis. Lorsque le volume de données croît plus vite que l'esprit humain ne peut les traiter, la qualité du conseil final peut en pâtir. C'est l'énigme centrale que traite une nouvelle étude : que se passe-t-il lorsqu'un nouvel outil puissant arrive et qu'il peut instantanément rassembler et organiser bien plus d'informations que n'importe quel humain ne pourrait jamais le faire ?
Les chercheurs, dirigés par Jian Xue, Qian Zhang et Wu Zhu, ont investigué cette question en observant un moment précis de la fin de l'année 2023. Une importante société de données financières appelée FactSet a introduit un nouveau système d'intelligence artificielle nommé Mercury. Cet outil a été conçu pour aider les analystes à trouver l'information plus rapidement, à créer des graphiques automatiquement et à rédiger des rapports. Comme FactSet a mis cet outil à la disposition de ses utilisateurs existants sans coût supplémentaire, les chercheurs ont pu observer une expérience naturelle. Ils ont comparé les rapports de recherche écrits par des analystes utilisant FactSet avant l'arrivée de l'IA avec ceux écrits après. Ils ne se sont pas contentés de regarder si les rapports étaient plus longs ; ils ont utilisé des modèles de langage avancés pour lire chaque mot, tableau et graphique dans des milliers de rapports afin de compter précisément combien de sources d'informations différentes étaient utilisées, combien de sujets différents étaient couverts et combien de méthodes d'analyse différentes étaient appliquées.
Les résultats ont révélé une transformation frappante du travail lui-même. Après l'introduction de l'outil d'IA, les rapports associés à FactSet sont devenus nettement plus riches. Ils incluaient 26 % de sources d'informations distinctes en plus, couvraient un éventail de sujets 24 % plus large et utilisaient 21 % de méthodes d'analyse supplémentaires. Les rapports arrivaient également plus vite, étant souvent publiés dans les trois jours suivant l'annonce des résultats d'une entreprise. L'IA avait réussi à éliminer le goulot d'étranglement de la recherche et de l'organisation des données. Les analystes ne luttaient plus pour localiser les bons chiffres ; ils présentaient une vue beaucoup plus large et profonde des entreprises qu'ils couvraient.
Cependant, l'histoire prend un tournant surprenant lorsque les chercheurs ont examiné l'exactitude des prévisions. Malgré des rapports plus riches et plus rapides, l'exactitude relative des prévisions a en réalité décliné. Les analystes utilisant l'outil d'IA étaient moins précis dans leurs prévisions de bénéfices que leurs pairs qui n'utilisaient pas l'outil. Cette conclusion remet en question l'hypothèse commune selon laquelle plus d'informations conduit toujours à de meilleures décisions. Les chercheurs ont approfondi l'enquête pour comprendre pourquoi cela s'était produit. Ils ont découvert que la baisse de précision n'était pas uniforme ; elle était concentrée chez les analystes qui étaient déjà soumis à la plus forte pression. Ceux qui couvraient un grand nombre d'entreprises, travaillaient dans de petites équipes avec peu de soutien, ou tentaient de mettre à jour les prévisions pour plusieurs sociétés le même jour, ont connu le déclin de performance le plus marqué.
L'étude suggère que le problème n'était pas la qualité de l'information fournie par l'IA, mais la capacité humaine à la traiter. Lorsque l'outil d'IA a remis aux analystes une pile de données beaucoup plus importante, il leur a également remis une charge cognitive beaucoup plus lourde. Les analystes devaient vérifier, prioriser et donner du sens à des signaux contradictoires qu'ils n'avaient jamais eu à gérer auparavant. Pour ceux qui disposaient d'un temps et d'une attention limités, cette surcharge a conduit à la confusion et aux erreurs. Pour le prouver, les chercheurs ont construit un modèle informatique traitant exactement les mêmes informations présentes dans les rapports. Contrairement aux analystes humains, l'ordinateur ne se fatigue pas et n'est pas distrait. Lorsque la machine a traité les nouvelles données plus riches, son exactitude n'a pas chuté. Cela a confirmé que l'information elle-même était toujours bonne ; le goulot d'étranglement s'était simplement déplacé de la recherche des données vers leur compréhension.
Les chercheurs ont également écarté plusieurs autres possibilités. Ils ont vérifié si l'IA générait des absurdités ou des « hallucinations » de faits, mais ont constaté que les données dans les rapports restaient tout aussi fiables qu'auparavant. Ils ont vérifié si les rapports devenaient simplement plus longs et répétitifs, mais n'ont trouvé aucune augmentation de texte inutile. Ils ont même testé si les analystes précipitaient le travail pour le publier plus vite, mais le déclin de l'exactitude n'était pas limité aux rapports les plus rapides. Les preuves pointaient systématiquement vers une seule conclusion : l'outil avait étendu l'offre d'informations plus vite que l'esprit humain ne pouvait les absorber.
Cette découverte offre une vision nuancée de l'intelligence artificielle sur le lieu de travail. Elle suggère que, bien que l'IA puisse augmenter considérablement la productivité en gérant le travail de collecte de données, elle n'améliore pas automatiquement la prise de décision. En fait, si l'utilisateur humain est déjà à bout de souffle, ajouter plus d'informations peut aggraver la situation. L'étude implique que, pour que l'IA soit réellement utile, les organisations devront peut-être repenser la manière dont leurs employés travaillent. Au lieu de simplement donner plus d'outils aux analystes, elles pourraient avoir besoin de leur donner plus de temps, des charges de travail plus réduites ou de meilleurs systèmes pour les aider à trier le déluge de nouvelles informations. La valeur de la technologie dépend non seulement de ce que la machine peut générer, mais de la capacité humaine à lui donner du sens.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.