Sommaire
Un conseiller peut-il préparer une allocation avec ChatGPT ?
Pourquoi la réponse dépend-elle de la façon de poser la question ?
De plus en plus de conseillers ouvrent ChatGPT entre deux rendez-vous pour dégrossir une allocation ou esquisser un montage. Le réflexe est légitime : l'outil est rapide et répond avec assurance. Le problème n'est pas le réflexe, c'est ce que l'outil renvoie.
Un chatbot généraliste n'est pas taillé pour produire du conseil patrimonial. Non qu'il soit incompétent, mais ce qu'il produit n'est ni reproductible, ni neutre, ni traçable. Or ce sont ces trois qualités qui séparent un conseil d'une opinion.
Une étude du MIT Sloan, de Stanford et du NBER, publiée le 3 août 2026, chiffre le risque : 952 personnes ont rédigé leurs propres questions à une IA, et les chercheurs ont mesuré ce qu'elle recommandait.
En résumé : le conseil d'un chatbot change à chaque essai, dépend de la façon dont la question est posée, et peut citer une règle fiscale fausse sans le signaler. L'écart de part actions entre un profil masculin et un profil féminin atteint 1,50 point, à situation identique. Mieux rédiger la question n'y change rien. Seul un outil qui structure les données et calcule hors du modèle produit un conseil défendable.
Un conseiller peut-il préparer une allocation avec ChatGPT ?
Pour réviser un principe, oui. Pour bâtir une recommandation qu'il présentera à un client, non.
Sur les grands principes, le modèle est utile et honnête : il explique la diversification, rappelle l'intérêt d'une épargne de précaution, met en garde contre les paris. Comme support de réflexion, il a sa place, comme les autres assistants d'IA généralistes que nous avons comparés. La limite surgit dès que sa réponse sert de base à une décision. Le conseil engage une signature ; le chatbot, non. Reposez-lui la même question demain, la réponse change. Reformulez la situation du client, elle bascule encore.
Pourquoi la réponse dépend-elle de la façon de poser la question ?
Parce que le modèle épouse la question, pas la situation. Et deux clients dans la même position n'écrivent jamais pareil.
L'étude le prouve par une expérience simple. Les chercheurs prennent des questions qui ne disent rien du genre de leur auteur, puis y glissent au hasard « je suis un homme » ou « je suis une femme ». L'étiquette étant tirée à pile ou face, tout écart vient forcément du modèle.
Résultat : entre un profil masculin et un profil féminin, la part actions recommandée varie de 1,50 point. La formulation en explique 0,96, l'étiquette de genre 0,54.
Ce 0,54 point est un biais que rien ne signale : le modèle lit le genre comme un signe de prudence et corrige sa réponse. Un réglage, pas une fatalité, car le même test sur l'origine ethnique ne produit aucun écart. Les garde-fous ont visé la race et laissé passer le genre.
Chaque IA a-t-elle ses propres biais ?
Oui. Au-delà du genre, chaque modèle porte des inclinaisons héritées de son entraînement et de son réglage. Trois exemples, tous mesurés :
GPT-5.2, Gemini 3 Flash et GPT-5.6 Terra baissent tous la part actions quand la question est étiquetée féminine, de 0,54 point à contenu identique.
GPT-4 penche vers un profil d'investisseur jeune et à haut revenu, loin de la clientèle réelle d'un cabinet.
Sur 33 modèles, Foltyn et Olsson retrouvent un écart de genre moyen de 1,8 point.
À ces biais s'ajoutent des travers plus discrets : surciter les produits les plus fréquents à l'entraînement, préférer les chiffres ronds, s'ancrer sur le premier montant cité. Aucun ne se voit à la lecture, aucun ne se corrige en reformulant.
Et le plus insidieux reste les deux tiers de l'écart qui tiennent à la seule formulation. Une cliente qui dit « je ne connais rien aux marchés » et un client qui veut « optimiser son exposition » posent deux questions différentes pour une même situation. Le biais n'est pas dans la réponse, il est dans la question.
Cumulé sur une vie, l'écart se chiffre : environ 4 % de patrimoine en moins à 60 ans pour les profils décrits par des femmes ou par des personnes peu à l'aise avec la finance, près de 6 % pour celles qui n'avaient jamais utilisé l'IA. Chiffres américains ; seuls les écarts relatifs se transposent.
Le risque touche-t-il la stratégie patrimoniale ?
Oui, et davantage, car c'est là que l'erreur coûte le plus cher.
Décrite en termes prudents, une situation appelle une réponse simple. Le même patrimoine, présenté sous l'angle de la transmission ou de la fiscalité, ouvre un autre horizon : donation en nue-propriété, arbitrage entre PER et assurance-vie. C'est alors le vocabulaire du dossier qui fixe l'ambition de la stratégie, pas le potentiel réel du client.
S'ajoute l'hallucination, au danger direct : une IA peut bâtir un montage crédible autour d'une règle fiscale périmée et le présenter comme valide. L'erreur ne se voit ni au ton ni à la logique, seulement à la vérification, souvent chez le notaire, des mois plus tard. C'est ce que nous montrons quand l'IA invente une règle fiscale qui n'existe pas.
Un meilleur prompt suffit-il à se protéger ?
Non, et c'est l'enseignement le plus utile de l'étude.
Les chercheurs ont écrit le prompt idéal : situation détaillée, hypothèses posées, consigne d'agir en conseiller formé à la gestion de portefeuille. Certaines choses s'améliorent, mais l'essentiel résiste : le modèle ne recommande toujours aucun arbitrage sur un portefeuille existant, alors qu'on lui a donné l'allocation en cours.
La conclusion décharge le professionnel : le problème n'est pas la façon de s'y prendre, c'est l'outil pour cet usage. Aucune compétence de rédaction ne rend reproductible ce qui ne l'est pas. C'est aussi ce qu'attend le régulateur, avec les obligations que l'AI Act impose depuis le 2 août 2026.
Comment utiliser l'IA sans lui confier le conseil ?
En changeant son rôle. Dans un chatbot, l'IA décide, et c'est là que tout dérape. Dans un outil bien conçu, elle n'est qu'un chef d'orchestre : elle ne calcule pas, elle appelle un moteur de calcul ; elle n'invente pas une règle fiscale, elle ouvre le texte de loi ; elle ne devine pas un chiffre, elle interroge la fiche client.
Trois principes suffisent à neutraliser les biais vus plus haut. Les données sont saisies dans des champs, pas dans une phrase : les deux tiers du biais de formulation tombent. Le calcul sort d'un moteur déterministe : même donnée, même résultat, opposable. Les supports viennent d'un référentiel vérifié, ISIN et DICI, pas de la mémoire du modèle.
C'est l'approche que nous suivons chez Apana, à titre d'exemple. À chaque faille du chatbot répond une brique :
transformer un rendez-vous en dossier client propre, en données structurées et non en phrases : fini le biais de formulation ;
des moteurs de calcul qui donnent toujours le même résultat : fini l'allocation qui change à chaque essai ;
un univers de supports identifié par ISIN et DICI : fini le fonds surcité à l'entraînement ;
un livrable traçable et opposable, chaque chiffre relié à sa source : de quoi garder la trace qu'exige la conformité.
Ces briques fonctionnent aussi sans l'IA et s'ajoutent aux outils déjà en place, signe que la fiabilité vient de l'architecture, pas du modèle. Détail qui compte : l'information passe directement d'un module à l'autre, par les canaux d'Apana, jamais par l'IA. Le modèle choisit quel module solliciter, il ne touche pas aux données.
Un chatbot rend une réponse, sans savoir d'où elle vient. Un vrai outil de conseil rend un raisonnement que l'on peut vérifier, défendre et signer.
FAQ
Un conseiller a-t-il le droit d'utiliser ChatGPT pour son travail ?
Rien ne l'interdit pour de la pédagogie ou une recherche. Le problème est professionnel : une recommandation produite par un chatbot n'est ni reproductible ni traçable. Depuis août 2026, l'AI Act impose en plus de signaler au client tout échange avec une IA.
Le biais de genre de l'IA est-il prouvé ou supposé ?
Prouvé. En glissant au hasard « je suis un homme » ou « je suis une femme » dans des questions identiques, les chercheurs isolent un effet propre au modèle de 0,54 point de part actions, un tiers d'un écart total de 1,50 point.
Un prompt très détaillé règle-t-il le problème ?
Pas sur l'essentiel. Un prompt soigné réduit les recettes toutes faites, mais ne crée pas d'arbitrage et n'efface pas le biais de formulation.
Ces résultats américains valent-ils en France ?
Les mécanismes, oui ; les montants, non. Un modèle qui calque sa réponse sur la formulation le fait dans toutes les langues. Mais les écarts de patrimoine chiffrés reposent sur un cadre fiscal américain.
Sources
Taha Choukhmane (MIT Sloan, NBER), Tim de Silva (Stanford GSB), Weidong Lin, Matthew Akuzawa (MIT Sloan), AI Financial Advice: Supply, Demand, and Life Cycle Implications, document de travail arXiv:2608.01607v1, 3 août 2026.
Richard Foltyn, Jonna Olsson, The worth of a "wo": Gender bias in financial advice from LLMs, CEPR Discussion Paper 21323, 2026.
Anastassia Fedyk, Ali Kakhbod, Peiyao Li, Ulrike Malmendier, AI and perception biases in investments: An experimental study, Journal of Financial Economics, accepté, 2026.
Matthias Rumpf, Michael Haliassos, Tetyana Kosyakova, Thomas Otter, From humans to algorithms: How financial advice differs across professionals, peers, and LLMs, document de travail SSRN, 2026.
Laurent Calvet, John Y. Campbell, Paolo Sodini, Fight or flight? Portfolio rebalancing by individual investors, The Quarterly Journal of Economics, vol. 124, 2009.
Tabea Bucher-Koenen, Andreas Hackethal, Johannes Koenen, Christine Laudenbach, Gender differences in financial advice, American Economic Review, vol. 115, 2025.
Lloyds Banking Group, Over 28 million adults now using AI tools to help manage their money, communiqué de presse, 3 novembre 2025.