Présentation

Les personnes sont de plus en plus nombreuses à recourir à l'intelligence artificielle (IA) pour obtenir des conseils financiers. Une étude menée par Taha Choukhmane, professeur agrégé de finance à la MIT Sloan School of Management, a mesuré et analysé la qualité des conseils financiers fournis par les grands modèles de langage.

Contexte technique

Les chercheurs ont construit un modèle reflétant l'évolution typique des revenus, des emplois, des investissements et des impôts des individus au fil de leur vie, leur permettant de définir des décisions financières « bonnes ». Ils ont ensuite demandé à un échantillon de 1 000 adultes d'écrire leurs propres invites pour obtenir des conseils de dépense et d'investissement de la part de modèles de langage tels que GPT-5.2, GPT-5.6 ou Gemini 3 Flash.

Fonctionnement et limites

Les résultats ont montré que les modèles de langage peuvent offrir une source abordable et largement accessible de conseils financiers qui peuvent aider les utilisateurs à surmonter les coûts, les biais et les conflits d'intérêts importants associés aux conseillers financiers humains traditionnels. Cependant, les conseils fournis par les modèles de langage sont meilleurs lorsque les questions sont posées de manière académique et structurée. Les modèles ont des forces et des faiblesses, notamment en ce qui concerne l'ajustement aux chocs tels que le chômage et la rééquilibration active des portefeuilles.

Implications et limites

Les chercheurs ont constaté que les conseils financiers fournis par les modèles de langage varient en fonction de l'utilisateur, ce qui peut entraîner des écarts de richesse. Les conseils fournis en réponse aux invites rédigées par des hommes, des utilisateurs plus financièrement lettrés ou ceux ayant une expérience antérieure avec l'IA ont généré environ 5 % de richesse supplémentaire à l'approche de la retraite. Les différences dans les conseils d'investissement et d'épargne ont abouti à des écarts de richesse significatifs, notamment en raison des biais potentiels appris à partir des données de formation.