L’État du marché
24 février 2025
Ce n’est pas ce que vous dites, mais comment vous le dites
Abonnez-vous ici pour recevoir l’État du marché par courriel.
L’intelligence artificielle (IA) a sans contredit été un thème dominant du marché, de l’économie et du déroulement du travail au cours des dernières années à la suite de la prolifération des grands modèles de langage (GML). Beaucoup de gens ont commencé à utiliser des outils d’IA dans leur quotidien, et d’autres non. Certains pensent que l’IA changera le monde, alors que d’autres la voient simplement comme un autre outil technologique qui améliorera notre productivité et qui pourrait ultimement mener à une bulle financière. Ce numéro de L’État du marché ne porte pas sur la puissance de calcul nécessaire ni la façon dont nous allons alimenter ces centres de données, mais plutôt sur l’utilisation de l’IA.
Nous ne sommes pas de très grands utilisateurs de l’IA, mais nous y avons tout de même recours dans divers contextes. Plusieurs années avant que les GML soient connus du public, nous avons commencé à tester l’apprentissage machine pour la recherche et la gestion quantitatives. Grâce aux progrès continus des GML, les cas d’utilisation de l’IA ont beaucoup augmenté.
La production de résumés est l’une de ses principales applications. Les résumés générés par l’IA des conférences téléphoniques sur les bénéfices sont très utiles et permettent d’économiser beaucoup de temps sans perdre trop de contenu. Les résumés de rapports sont également utiles. Les rapports d’analystes qui comptent des centaines de pages sont les meilleurs, mais en réduire la longueur nous permet parfois d’en consulter un plus grand nombre. Notez que nous continuons de lire plusieurs rapports de la première à la dernière page (au cas où l’un des analystes qui les rédigent devait lire ce numéro de L’État du marché).
Téléversez un ou des rapports dans ChatGPT et demandez-lui de les résumer. Ou encore mieux, posez-lui des questions plus précises comme quelle est la plus grande préoccupation de la direction ou le plus grand risque pour les marges. En recueillant des renseignements de différentes sources, vous pourriez découvrir des choses qui vous avaient échappé.
L’enrichissement devient rapidement une fonction utile des GML. Avez-vous déjà reçu un courriel générique cherchant à vous vendre quelque chose ou à en faire la promotion, peut-être même d’une société de gestion d’actifs vous proposant un excellent fonds ou FNB? Le faible taux d’ouverture de ces courriels est loin d’être optimal. Le recours à l’IA pour créer des messages plus personnalisés, qui comprennent des détails sur le client/destinataire, peut grandement améliorer l’intérêt des lecteurs. Même les outils servant à produire du contenu à des fins de communication peuvent améliorer la qualité et faire économiser du temps.
La recherche devient rapidement plus conviviale grâce aux GML. Tout le monde sait faire une recherche sur un sujet donné en utilisant un outil traditionnel comme Google. Vous recevez une liste de liens vers du contenu potentiellement pertinent relié à votre requête. Vous devez bien sûr faire défiler la page au-delà des liens sur le sujet « commandités » par des entreprises, puis consulter les autres liens afin de trouver ce que vous cherchez. Les GML comme ChatGPT offrent certainement un résultat bien plus concis et souvent beaucoup plus pertinent. Nous utilisons maintenant beaucoup moins les moteurs de recherche et nous encourageons les lecteurs à essayer les GML si ce n’est pas déjà fait.
De nombreuses tâches comme résumer les nouvelles du marché, analyser des données ou rédiger des messages destinés aux clients peuvent maintenant être effectuées par les GML. Même le titre de ce rapport a été généré par un GML. Pas mal n’est-ce pas? Même s’il est vrai que l’IA nous permettra d’économiser du temps en rendant l’information plus accessible, une dépendance excessive à cet outil pourrait nuire à notre capacité d’exercer notre jugement critique, surtout parce qu’il est trop facile à utiliser et trop attrayant.
Les moteurs de recherche traditionnels prennent plus de temps, mais il est plus facile d’en connaître la source. Par exemple, une recherche sur la demande d’énergie en 2025 génèrera un certain nombre de liens vers des organismes réputés comme l’Agence internationale de l’énergie (AIE) ou British Petroleum, et d’autres vers des sources, disons plus suspectes, comme un blogueur dans son sous-sol (en exagérant un peu). Le lecteur peut décider quelle source lui semble la plus crédible, ou tout lire et utiliser son jugement critique essentiel pour tirer sa propre conclusion.
La réponse d’un GML à une question similaire sera pertinente, bien structurée et facile à lire. Elle pourrait citer des sources, mais il est difficile de faire la distinction entre le contenu provenant d’une source de confiance et un autre qu’on pourrait considérer moins objectif parce qu’il a été généré à partir de nombreuses sources.
Le paradoxe de la formulation de la requête – La réponse d’un GML est basée sur une fraction de l’information disponible et sur les requêtes effectuées. La façon de poser ou de formuler la question influence la réponse ou le résultat, ce qui signifie qu’elle peut aussi bien renforcer les biais existants qu’amener de nouvelles perspectives. Si vous formulez votre requête d’une façon plus optimiste, vous aurez probablement la réponse que vous souhaitiez, qui n’est pas nécessairement la bonne ou celle qui encourage la pensée critique. Il faudra donc apprendre à utiliser les GML comme un outil, mais sans arrêter de réfléchir. Sinon, vous vous contenterez d’un outil de haute technologie toujours prêt à vous donner raison.
Voici un exemple de simplification excessive d’un GML populaire à la question de savoir si on devrait acheter ou vendre de l’or.
L’une des réponses est plutôt positive, tandis que l’autre est plutôt prudente. Bien qu’ici la différence entre les requêtes est claire, le vrai problème survient lorsque même des changements mineurs dans la formulation influencent considérablement la réponse. L’utilisateur pourrait ne pas savoir ou même comprendre pourquoi le fait de changer quelques mots produit un résultat différent. La différence dans la réponse dépend non seulement de l’information fournie dans la requête, mais elle souligne aussi à quel point les résultats peuvent dépendre de sa formulation – demandez au rédacticien, le nouveau rôle professionnel en IA. La précision de la requête est cruciale.
La formulation peut alimenter les biais de confirmation, et comme on ne sait pas exactement comment un GML génère une réponse à partir d’une requête, cela peut être difficile à détecter. Un biais de confirmation trop important nuit à la pensée critique.
Vous souvenez-vous lorsqu’on vous demandait de rédiger un compte rendu de lecture ou un rapport sur un sujet précis lorsque vous étiez à l’école? Personne n’aimait avoir à écrire 2 000 mots sur un sujet donné. Aujourd’hui, c’est devenu facile avec les GML. Ce qu’on ne savait pas à l’époque, c’est que ces comptes rendus de lecture servaient à développer notre pensée critique. Il fallait faire des recherches, départager l’information importante de celle qui ne l’était pas et rédiger notre compte rendu.
L’un des risques de l’IA et des GML est que les gens soient de moins en moins en mesure d’exercer leur jugement critique. Par contre, il est plus facile que jamais de réunir de l’information sur un sujet – il suffit de bien formuler la requête.
Conclusion
Les avantages de l’IA sont très impressionnants, et le développement de ses applications est encore très embryonnaire. Il y a bien sûr des risques comme un biais de confirmation plus important, mais les avantages l’emportent largement. Peu importe l’utilisation que vous en faites, nous vous encourageons à l’explorer. L’IA améliore certainement la productivité.
Pour nous amuser, nous avons entré le contenu de ce rapport dans notre détecteur d’IA préféré, qui utilise lui-même l’IA. Il semble que 12 % du texte ait été généré par l’IA, ce qui correspond à peu près au contenu du tableau comparatif. Le reste est du contenu original, si cela peut vous rassurer.
