IA prédictive comportementale : promesses et limites
42AI promet d’anticiper les décisions des traders grâce à un modèle comportemental. Découvrez son fonctionnement, ses résultats revendiqués et ses risques.
Peut-on prédire les décisions humaines avec l'IA ? Le pari de 42AI
Une personne va-t-elle vendre ses actions si les marchés décrochent ? Et surtout : peut-on le voir venir avant qu'elle ne prenne sa décision ? La start-up israélienne 42AI affirme construire un modèle capable d'estimer ce type de comportement, y compris quand les situations changent. Elle sort de sa période de discrétion avec 62,5 millions de dollars de financement annoncés et des premiers déploiements dans le courtage.
Le sujet est séduisant, mais la promesse mérite mieux qu'un « c'est impressionnant ». Prédire une tendance de groupe n'est pas deviner ce que fera chaque individu. Et même avec des données clients, il est facile de confondre « probabilités » et « compréhension » des motivations. 42AI dit analyser des interactions variées pour modéliser des tendances psychologiques, puis estimer des décisions probables selon le contexte.
Cet article revient sur ce que recouvre ce « modèle comportemental », comment 42AI compte l'utiliser en finance, et ce que ses chiffres permettent (ou non) de conclure. Il examine aussi les limites opérationnelles et les risques éthiques, particulièrement quand l'entreprise peut anticiper les décisions de ses propres clients.
À quoi sert cette IA dans le secteur financier ?
Le premier terrain d'application annoncé par 42AI, c'est le courtage. La société indique travailler avec dix grandes plateformes, avec son système pour éclairer la gestion de la liquidité, les exigences de marge et l'exposition liée à la couverture des risques. Elle affirme aussi générer plus d'un million de dollars de chiffre d'affaires, sans préciser le montant exact.
Ces éléments proviennent de déclarations rapportées par TechCrunch, et non de résultats indépendamment audités dans les informations publiques disponibles.
Dans la finance, le but n'est pas forcément de connaître l'action exacte qu'un client va passer. Une prévision agrégée peut déjà aider une équipe de risque à estimer la quantité de liquidités à prévoir si une partie des clients réagit de façon similaire lors d'une forte variation du marché. Elle peut aussi contribuer à anticiper des besoins de couverture plus élevés ou des appels de marge.
Prévoir des flux plutôt que chaque décision
La nuance compte. Une banque ou un courtier peut tirer de la valeur d'une estimation des flux probables d'un portefeuille de clients, même si le système se trompe sur certaines opérations individuelles. Dans ce cadre, l'outil sert à préparer une décision de gestion du risque : il ne remplace pas nécessairement le jugement humain ni les règles de contrôle déjà en place.
42AI avance environ 98 % de précision sur les transactions. Son dirigeant précise cependant que ce chiffre correspond à la capacité à prévoir une fourchette de flux, et non à prédire correctement chaque transaction prise une par une. Une fourchette peut être utile pour la gestion de liquidité, sans pour autant prouver une « prédiction individuelle » très fine.
La start-up annonce aussi un score F1 compris entre 0,8 et 0,85 pour prévoir la direction et le volume des transactions. Le F1 combine précision et rappel : il reflète l'équilibre entre les bonnes prévisions, les fausses alertes et les événements manqués. Mais encore faut-il connaître la définition exacte de la tâche, la période de test, la population évaluée et le niveau de comparaison retenu.
Un modèle économique lié à la valeur créée
Sur le plan commercial, les clients paieraient soit un tarif fixe, soit une part de la valeur générée grâce à la plateforme. Amit Gal-Or affirme qu'un courtier aurait dégagé environ 30 millions de dollars de valeur supplémentaire via une couverture dynamique.
Pour juger ce chiffre, il faudrait connaître la période concernée, la méthode de calcul, les coûts associés et ce qui se serait produit sans l'outil. Sans ces éléments, on reste sur une revendication de l'entreprise, difficile à généraliser.
La question utile, pour un acteur français ou européen, n'est donc pas uniquement « est-ce que le modèle est précis ? ». Il faut aussi demander : améliore-t-il une décision concrète par rapport à une méthode existante ? Dans quelles conditions ? À quel coût ? Et avec quelle responsabilité si la prévision se révèle erronée ? En finance, un outil peut être techniquement performant tout en restant peu pertinent si ses gains sont fragiles, difficiles à auditer, ou obtenus au prix d'un risque mal maîtrisé.
Que valent les résultats annoncés par 42AI ?
Les chiffres cités par une entreprise doivent être lus à l'aune de la tâche mesurée. Un taux de 98 % peut impressionner, mais il ne dit pas que le modèle anticipe le comportement de chaque client au niveau individuel. Dans le cas de 42AI, la société précise que ce résultat porte sur une fourchette de flux de transactions. Ce type de mesure peut convenir à certains besoins de trésorerie, sans pour autant prouver que l'IA « sait » prédire les décisions individuelles.
Le score F1 (0,8 à 0,85) donne une autre information. Il mesure un compromis entre prédictions correctes et erreurs de classification. Là non plus, on ne peut pas en déduire directement la valeur financière des décisions prises à partir du modèle, ni dire si certaines erreurs sont plus coûteuses que d'autres. Par exemple, prédire une hausse alors que le marché baisse peut produire des effets très différents selon l'ampleur du mouvement et le contexte.
Les informations nécessaires pour interpréter une métrique
Avant de comparer ces résultats à ceux d'un autre outil (ou de les utiliser pour prendre une décision), il faudrait disposer au minimum de :
- la définition précise de la cible : direction, volume, fourchette de flux ou décision individuelle ;
- le protocole de test et la séparation entre données d'entraînement et données d'évaluation ;
- des résultats sur plusieurs périodes, y compris en conditions moins « ordinaires » ;
- une comparaison avec une méthode de référence simple et avec les pratiques déjà utilisées ;
- la fréquence des erreurs, leur coût, et leur répartition selon les groupes de clients ;
- un suivi après déploiement, quand les comportements évoluent et que les marchés changent.
Ces exigences ne sont pas purement théoriques. Les marchés changent, les produits aussi, et les utilisateurs s'adaptent. Un modèle peut marcher sur l'historique, puis perdre en qualité si les clients modifient leurs habitudes ou si un événement externe change leurs décisions. D'où la nécessité de surveiller la dérive des données et de prévoir un mécanisme pour réduire l'usage, voire l'arrêter, si les performances se dégradent.
Le contexte manquant reste une limite structurelle
Les fondateurs reconnaissent que le système ne « voit » pas tout ce qui compte dans la vie d'une personne. Gal-Or évoque l'idée d'un plafond naturel lié à un accès incomplet. Ezra donne aussi un exemple : un client qui change de stratégie après avoir reçu un conseil d'un ami ou d'un collègue. Si ce contexte n'est pas capturé, la prédiction peut rater une cause importante.
C'est une limite générale des modèles comportementaux. Les décisions sont influencées par des événements privés, des conversations, des contraintes personnelles, et des surprises. Ajouter plus de données ne règle pas automatiquement le problème : certaines informations ne sont pas disponibles, d'autres ne devraient pas être collectées, et les signaux observés peuvent rester ambigus.
La lecture la plus pragmatique consiste donc à considérer ces chiffres comme une base pour tester le modèle sur un usage précis, pas comme un passeport pour faire confiance « les yeux fermés ». Pour établir la valeur réelle, un acheteur devrait demander un test sur son propre cas d'usage, avec des critères de succès définis à l'avance, puis une évaluation indépendante des résultats.
Quels usages et quels risques au-delà du courtage ?
42AI évoque aussi des applications dans les jeux vidéo, la prévention de la fraude et la cybersécurité. Plus tard, la société imagine aider des robots ou des agents d'IA à mieux interpréter les personnes. Dans tous les cas, l'idée centrale est d'anticiper une réaction probable à partir de signaux comportementaux.
Mais un modèle entraîné dans la finance ne devient pas automatiquement pertinent dans un autre secteur. Les règles du jeu changent vraiment.
Les fondateurs reconnaissent que chaque nouveau domaine demande un apprentissage du contexte. En prévention de la fraude, un changement de comportement peut signaler une activité suspecte, mais aussi correspondre à un voyage, un nouvel appareil, ou un changement légitime d'habitudes. Si le système est trop sensible, il produit davantage de faux positifs et finit par bloquer des clients sans raison valable. Dans un jeu, les mêmes prédictions pourraient servir à adapter l'expérience ou optimiser une dépense : la finalité éthique n'est plus du tout la même.
Le risque d'asymétrie entre l'entreprise et le client
Le point le plus délicat concerne l'usage des profils individuels. Si un courtier estime qu'un client est susceptible de vendre pendant une période de stress, l'information peut aider à gérer le risque. Mais elle peut aussi servir à orienter des interactions commerciales ou à exploiter une vulnérabilité supposée.
Dans ce scénario, l'entreprise dispose d'une information que la personne concernée n'a pas forcément conscience d'avoir, ou ne connaît peut-être pas du tout.
Les dirigeants de 42AI indiquent que cette inquiétude est légitime. Ils mentionnent la réglementation, la surveillance et un comité d'éthique interne, sans détailler les mécanismes concrets pour éviter qu'un client n'utilise les prédictions à son avantage. Une déclaration de principe ne suffit pas : la gouvernance doit préciser qui accède aux résultats, quelles décisions sont autorisées, et comment les usages sont contrôlés.
RGPD et gouvernance : des questions concrètes
La société affirme que le modèle n'a pas besoin d'informations directement identifiantes et qu'il ne « sait pas qui est la personne ». Ce n'est pas automatiquement synonyme de données anonymes. Si les activités peuvent être rattachées à un compte ou à un client, un profil comportemental peut quand même concerner une personne identifiable. Pseudonymisation et anonymisation ne sont pas la même chose.
Pour un déploiement en Europe, il faut regarder la finalité du traitement, la minimisation des données, la durée de conservation, les accès, et les droits des personnes au regard du RGPD. Il faut aussi vérifier si une évaluation d'impact est nécessaire, et si le règlement européen sur l'IA s'applique selon la fonction exacte du système et son usage. Appeler l'outil « aide à la décision » ne fait pas disparaître automatiquement les obligations.
Une gouvernance sérieuse devrait documenter les usages interdits, tester les biais, tracer les décisions qui s'appuient sur le modèle, et prévoir une procédure de recours ou de correction. Dans un service financier, le contrôle doit aussi empêcher qu'une prédiction comportementale serve à exploiter le client, plutôt qu'à gérer un risque légitime.
Comment évaluer ce type de technologie ?
Pour une entreprise qui envisage un modèle prédictif comportemental, la première étape consiste à définir précisément la décision à améliorer. « Comprendre le client » ne veut pas dire grand-chose. « Estimer chaque jour les besoins de liquidité à l'échelle d'un portefeuille pour réduire les écarts de couverture », par exemple, est testable. Plus la finalité est claire, plus on peut déterminer quelles données sont réellement nécessaires et quelles erreurs restent acceptables.
Une grille de décision avant le pilote
Avant de lancer un essai, les équipes produit, données, risque et conformité devraient répondre à cinq questions :
- Quelle décision le modèle doit-il améliorer ? Identifiez le propriétaire de la décision et le scénario d'usage exact.
- Quelle est la référence actuelle ? Comparez l'IA à une règle simple, à un modèle existant ou au processus humain, pas à « l'absence de solution ».
- Quel est le coût des erreurs ? Fausse alerte, événement manqué, résultat défavorable : on doit distinguer ce qui compte vraiment.
- Quelles données sont indispensables ? Écartez ce qui est collecté « au cas où », sauf si la pertinence est démontrée.
- Qui peut agir sur une prédiction ? Définissez les accès, les contrôles, les limites d'usage et les mécanismes pour contester.
Le pilote doit ensuite être évalué sur des données séparées de celles utilisées pour entraîner le système, puis surveillé en conditions réelles. Les résultats doivent être ventilés par période et, quand c'est pertinent et légal, par catégorie de personnes. Enfin, il faut comparer les gains nets aux coûts d'intégration, de conformité, de supervision et de traitement des incidents.
La décision dépend du rapport entre valeur et pouvoir
Un outil est vraiment utile s'il améliore quelque chose de mesurable sans créer un risque disproportionné. Pour un modèle qui anticipe des flux agrégés et aide à gérer la liquidité, le bénéfice peut être défendable si les résultats sont robustes et si les données restent proportionnées. En revanche, si le système profile les clients pour influencer des choix individuels, les enjeux de transparence, d'équité et de responsabilité montent immédiatement.
À retenir : une prédiction probabiliste n'est ni une certitude ni une compréhension des intentions. Le point décisif, ce n'est pas seulement « est-ce que c'est plus précis ? » : c'est de savoir qui gagne avec cette avance, qui supporte les erreurs, et quelles garde-fous empêchent l'exploitation abusive.
Conclusion : prédire n'est pas comprendre
Le projet de 42AI répond à un besoin opérationnel réel : mieux anticiper les réactions des clients peut aider certains acteurs financiers à préparer leurs liquidités et leur couverture des risques. Mais les chiffres avancés ne prouvent pas une capacité à deviner chaque décision, ni une compréhension complète des motivations humaines. Ils doivent être interprétés au regard des tâches mesurées, des conditions de test, et du coût des erreurs.
Pour les entreprises, le bon réflexe est de commencer par un usage précis, mesurable et contrôlable, puis de tester la valeur du modèle par rapport aux méthodes déjà en place. Côté conformité et produit, la question reste simple : les données sont-elles nécessaires ? Les décisions sont-elles contestables ? Les bénéfices sont-ils répartis de façon acceptable ?
Une IA capable d'estimer un comportement n'est utile que si son usage reste proportionné, encadré et explicable.
Comment fonctionne le modèle comportemental de 42AI ?
La plupart des systèmes prédictifs commencent par une idée simple : regarder ce qui s'est déjà passé pour deviner ce qui pourrait arriver ensuite. Ainsi, un client qui a souvent vendu ses actifs pendant des baisses de marché pourra être classé comme « susceptible de vendre à nouveau ».
42AI veut faire un pas de plus : ne pas seulement prolonger des habitudes passées, mais modéliser des tendances psychologiques susceptibles d'influencer les décisions dans des contextes différents.
Autre point important : le modèle ne promet pas un comportement déterministe. Le PDG et cofondateur Amit Gal-Or décrit plutôt le comportement comme probabiliste. Une personne peut changer d'avis, mais certaines tendances (préférence pour le risque, aversion aux pertes, etc.) peuvent rester visibles dans plusieurs situations. L'objectif est donc de produire des probabilités, pas une certitude.
Des interactions multiples, pas seulement des transactions
D'après 42AI, les données ne se limitent pas aux transactions. La société cite aussi des étapes en amont : vérification d'identité, inscription, transferts d'argent, appels au service client, ou échanges avec les équipes commerciales.
Le modèle s'appuierait sur des signaux comme le ton, le sentiment exprimé ou la fréquence des contacts, puis les mettrait en regard avec les comportements de trading et les conditions de marché.
L'hypothèse est qu'une interaction qui, sur le moment, paraît éloignée d'une décision financière peut quand même apporter du contexte. Un client qui sollicite souvent de l'assistance, par exemple, ne réagit peut-être pas comme un autre client au même profil transactionnel, mais avec un parcours différent. Pour autant, rien ne dit que le signal est vraiment utile : il faut le tester, vérifier qu'il améliore la prédiction, et s'assurer qu'il ne se réduit pas à un biais ou à une corrélation.
De la représentation individuelle à la simulation
La start-up dit transformer ces observations en représentations mathématiques de traits comportementaux, exploitées via un modèle de type Transformer. Elle indique aussi qu'un modèle de langage séparé servirait à générer une explication des prédictions.
Selon le directeur technique Ehud Ezra, l'entraînement vise à préserver les tendances attribuées à une personne. Si un profil qualifié de prudent est ensuite simulé comme prenant des risques, le modèle serait pénalisé. L'intention est claire, mais l'approche repose sur une difficulté : ces « traits » restent des estimations construites à partir de données. Ce ne sont pas des lectures directes de la personnalité.
42AI affirme avoir travaillé pendant trois ans sur cette approche, avec des évaluations psychologiques, des scénarios comportementaux, des travaux en psychologie et en neurosciences, ainsi que des jeux de données institutionnels et de biobanques portant sur plus de deux millions de personnes. La société indique aussi que les données de ses clients couvrent désormais près de 30 millions de personnes. À ce stade, ces volumes ne suffisent pas, à eux seuls, à démontrer que le modèle saisit les motivations humaines ni qu'il fonctionne de façon fiable dans chaque situation.