L'IA a résolu le problème de Navier-Stokes, piraté nos systèmes les plus sécurisés, et conçu de nouveaux traitements contre le cancer.
Elle n'arrive toujours pas à surpasser le S&P 500.
Quand l'IA battra-t-elle le marché ?
C'est une question à mille milliards de dollars qui se dresse devant les laboratoires.
La réponse est étonnamment élégante.
Tout commence avec la construction en 1991 du plus grand robot du monde.
Avec ses 360 mètres d'acier, le Maeslantkering est la plus grande structure mobile sur Terre. Il fonctionne de manière totalement autonome.
Les Néerlandais le connaissent comme leur barrière anti-tempête, construite pour protéger les 2,7 millions d'habitants de Rotterdam des ondes de tempête meurtrières.
Pour faire son travail, le robot doit parfaitement prédire le niveau de la mer.
Le modèle le plus simple du niveau de la mer est un interrupteur.
Quand la marée est haute, l'interrupteur est allumé. Quand la marée est basse, il s'éteint.
Un interrupteur (orange) est un mauvais modèle de la réalité (bleu sarcelle).
Mais l'interrupteur ne capture pas la forme de la marée. Une marée montante franchit quand même le seuil de danger.
Le robot a besoin d'un meilleur modèle.
La marée est largement dictée par la lune, dont l'attraction gravitationnelle trace une courbe périodique sur les océans. Remplacez l'interrupteur par une sinusoïde, et la prédiction du robot commence à suivre la marée.
La gravité de la lune (orange) est un meilleur modèle de la réalité (bleu sarcelle).
C'est encore imparfait. La marée est également façonnée par l'attraction du soleil, la bathymétrie de la baie, l'excentricité de l'orbite, et des dizaines d'autres facteurs.
Ce n'est que lorsque le robot contient toute la structure pertinente du système solaire qu'il peut prédire les marées.
Toutes les forces de marée (orange) permettent au modèle de correspondre parfaitement à la réalité (bleu sarcelle).
Cela illustre le théorème du bon régulateur, prouvé par Conant et Ashby en 1970 :
« Tout bon régulateur d'un système doit être un modèle de ce système. »
Cela explique parfaitement la frontière des capacités de l'IA aujourd'hui :
- Les modèles d'échecs contiennent la géométrie du plateau, reconstruite à partir de séquences de coups.
- Les agents de codage contiennent les règles du calcul, dérivées de chaque ligne de code open source.
- Les modèles vidéo et du monde contiennent les lois physiques, redérivées à partir des pixels.
L'IA est en train de dévorer le monde.
Mais seulement dans l'ordre de ce qu'elle peut avaler.
Voici le même écart entre le modèle et la réalité, redessiné pour le marché boursier :
Le modèle de Morningstar (orange) pour l'évaluation s'écarte de la réalité (bleu sarcelle).
Clairement, « l'estimation de la juste valeur » de Morningstar n'est pas un « bon régulateur ».
Peut-être que Morningstar n'est pas de classe mondiale pour évaluer les actions. Mais la même image se retrouve à l'intérieur des objectifs de prix internes des hedge funds du premier décile. Personne n'a un bon régulateur pour les prix, et cela est dû à un fait simple :
Les marchés sont autoréférentiels, ou comme les appellent les économistes, des systèmes réflexifs.
Les prix sont fixés par des millions de personnes qui regardent le prix, qui regardent les autres réagir au prix, et qui réagissent à leur tour.
Personne n'a construit une IA qui contient la foule.
Les marchés tombent dans l'ordre où l'IA peut les contenir.
Mais la finance tombe quand même, et certains marchés sont déjà contenus.
Le théorème explique parfaitement l'ordre dans lequel ils tombent :
1. Les quants ont déjà construit la superintelligence.
L'IA contient déjà d'autres algorithmes.
Les premières superintelligences financières n'étaient pas des LLM.
C'étaient des systèmes de trading quantitatif.
À des horizons de millisecondes, les firmes quantitatives ont déjà construit de « bons régulateurs ».
Aucun humain ne peut réagir aussi vite, donc les prédictions à court terme sont moins réflexives. Les seules choses capables de générer des prix rapides sur cette échelle de temps sont d'autres algorithmes.
Et les modèles peuvent contenir d'autres modèles.
Renaissance Technologies, Jane Street et Two Sigma ont généré des centaines de milliards de profits en construisant des systèmes qui contiennent la logique des autres algorithmes contre lesquels ils négocient.
Illustratif. Les modèles de trading quantitatif à l'échelle de la milliseconde (orange) peuvent aujourd'hui correspondre étroitement aux micro-fluctuations du prix (bleu sarcelle).
Les plus gros modèles avalent les plus petits et arbitrent ensuite leur comportement. Les marchés à court terme sont une guerre sans fin de systèmes qui se dévorent les uns les autres.
(Il y a un argument de sécurité de l'IA caché ici. Les chercheurs en alignement théorisent sur des ASI contenant des ASI. Les boutiques quantitatives y sont arrivées les premières.)
Cependant, ces modèles quantitatifs se dégradent rapidement.
À des horizons courts, le système est principalement composé de machines qui négocient contre des machines.
À des horizons longs, la foule revient.
2. Les marchés privés seront publics d'ici une décennie.
L'IA commence à contenir le travail d'un analyste.
Une grande partie de la finance ne consiste pas à être meilleur en évaluation.
C'est une compétition pour acquérir et traiter l'information.
Des millions d'analystes financiers aujourd'hui examinent des salles de données, construisent des modèles, étalent des comparables, et transforment des preuves fragmentées en décisions d'investissement.
Historiquement, seul un petit nombre d'entreprises avait la main-d'œuvre pour le faire à grande échelle.
Les marchés privés n'ont jamais eu de bon régulateur.
Le fonds immobilier de Blackstone en 2022 en est un exemple canonique. Son portefeuille privé est resté évalué « au coût », tandis qu'un portefeuille coté en bourse avec une exposition similaire s'est effondré deux fois, fortement.
Les marchés privés (orange) peuvent fortement diverger des analogues publics (bleu sarcelle).
Nous ne pouvons voir cet écart que parce qu'un analogue coté en bourse existait. La plupart des actifs privés n'offrent pas un tel miroir.
Cela change rapidement.
Les modèles lisent désormais les dépôts, les accords de crédit et les salles de données virtuelles. Les agents effectuent désormais le travail connexe : évaluation, modélisation, extraction de comparables et création de slides. Le goulot d'étranglement de l'analyste disparaît pendant que vous lisez ceci.
Plus d'investisseurs créent plus d'offres.
Plus d'offres créent plus de transactions.
Plus de transactions améliorent la découverte des prix, attirant plus d'investisseurs.
Le capital privé obtient enfin un bon régulateur.
Nous le voyons déjà chez Hebbia : les fonds génèrent des milliards de transactions hors marché et économisent des centaines de millions en sortant de positions tôt, avant que le marché ne rattrape son retard.
Les marchés privés se négocieront comme des marchés publics.
La conséquence ironique est qu'au moment où cela se produit, ils ne seront toujours pas résolus. L'IA les transformera en systèmes réflexifs, nous ramenant à la question centrale.
Que se passe-t-il lorsque le modèle doit contenir la foule ?
3. Les marchés publics ne seront pas résolus par un LLM.
L'IA a besoin d'un modèle complètement différent pour contenir la foule.
Les gens attendent que Claude batte le marché pour eux.
Cela n'arrivera pas.
Bien que les LLM semblent vraiment utiles pour l'analyse fondamentale, l'analyse fondamentale échoue fréquemment à cause de la réflexivité. Des valorisations plus élevées issues de la dynamique de foule peuvent abaisser le coût du capital, ce qui accélère la croissance et pousse les valorisations encore plus haut.
La réflexivité change les fondamentaux.
Alors, quelle IA peut réellement modéliser la foule ?
3.1 Twitter a modélisé la foule avant Wall Street.
Une classe de modèles prédit déjà, et façonne, le comportement humain mieux que n'importe quel LLM.
« Le fil d'actualité » contient déjà un modèle quasi parfait de la psychologie humaine. Il influence les élections, définit les tendances culturelles et modélise des milliards de personnes mieux que ces personnes ne se connaissent elles-mêmes.
Les serveurs publicitaires des réseaux sociaux fonctionnent de la même manière. La publicité pour exactement ce que vous étiez sur le point d'acheter vous donne souvent envie de l'acheter en premier. Notez la réflexivité.
La pertinence prédite d'une publication par les fils d'actualité (orange) peut modéliser et créer l'engagement et la pertinence réels (bleu sarcelle).
Cela donne un corollaire inhabituel :
xAI est le laboratoire financier le mieux positionné sur Terre.
Grok repose sur l'ensemble de données rare qui capture la foule en temps réel.
Le fil d'actualité fait déjà bouger les marchés.
Pour les investisseurs particuliers, l'attention compte déjà plus que les fondamentaux. De plus en plus, chaque action est une action mème, et le fil d'actualité contrôle les mèmes.
Le point final logique est préoccupant. Un système futur peut prédire la réaction de la foule, générer le récit gagnant, puis le distribuer via des « investisseurs » robots pour gonfler ses propres avoirs. La ligne entre une grande campagne marketing et la manipulation du marché est déjà mince, et après la singularité, elle s'estompe.
La manipulation du marché est sur le point de devenir une capacité de modèle.
3.2 Le modèle doit contenir le marché.
Les startups de simulation grattent ce problème mais ne résoudront pas la réflexivité. Les foules synthétiques qui ne touchent jamais un prix réel sont des groupes de discussion dans une boîte.
Les marchés prédictifs y échappent aussi. La probabilité de pluie ne peut pas changer le temps.
Un véritable modèle de réflexivité doit faire deux choses :
- Contenir les autres régulateurs. Il doit prédire comment le marché réagit et garder une longueur d'avance.
- Contenir son propre impact. Les données historiques ne peuvent pas révéler l'effet d'un investisseur qui n'a jamais existé. Le modèle doit négocier, observer ce qu'il change, et se mettre à jour.
Ces modèles passent déjà de l'entraînement au trading.
Mais il y a un hic : l'IA ne peut apprendre une stratégie stable que tant que ses transactions restent suffisamment petites pour ne pas faire bouger le marché.
Les universitaires appellent cela une contrainte de convergence.
Les traders l'appellent une maxime familière :
« La taille tue la transaction. »
Cela n'arrêtera pas ce qui arrive.
Les machines qui battent le marché se propageront des millisecondes aux minutes, jours, trimestres et années.
Il sera futile de négocier contre la machine.
Les vannes s'ouvrent.
Tous les marchés seront dominés par des machines.
Chaque entreprise sera en concurrence avec l'IA.
Nos organisations doivent changer en conséquence.
Les firmes quantitatives ont été les premières à se restructurer autour de cette nouvelle réalité. Leurs organigrammes sont devenus des systèmes pour collecter, nettoyer, structurer et modéliser d'énormes quantités de données. Ils sont devenus de bons régulateurs de leurs marchés.
Chaque entreprise est sur le point de faire face à la même transformation.
Le travail le plus important du futur sera d'enseigner aux machines la structure du monde.
Vous ne pouvez pas vendre à découvert la singularité.
Vous ne pouvez qu'en faire partie.
Un grand merci à Manny Roman, Rob Goldstein, Marty Chavez, Bob Steele, @WillManidis et @lennysan pour avoir amélioré mon modèle de ce système.
