Dans les salles de marché comme dans les équipes de recherche, l’intelligence artificielle financière aide à parcourir des volumes d’informations difficiles à traiter manuellement. Bloomberg et Refinitiv s’appuient sur des données et des outils numériques, mais leurs usages précis ne se confondent pas.
Bloomberg a notamment présenté BloombergGPT et Doc Insights, tandis que Refinitiv relève aujourd’hui de LSEG. Pour comprendre ce que ces solutions peuvent apporter aux professionnels, quelques repères permettent de distinguer leurs usages, leurs limites et les contrôles nécessaires.
A retenir :
- Modèles spécialisés pour mieux interpréter le vocabulaire financier
- Recherche documentaire accélérée, avec vérification humaine des réponses
- Refinitiv intégré à LSEG, sans assimilation automatique à Bloomberg
- Confidentialité, traçabilité et contrôle des données comme priorités
Bloomberg et Refinitiv : deux approches de l’intelligence artificielle financière
Ces repères prennent leur sens lorsqu’on distingue le modèle d’intelligence artificielle des services qui l’intègrent aux outils financiers. Bloomberg a rendu public BloombergGPT, un grand modèle conçu pour les usages financiers, et a présenté Doc Insights pour interroger des documents d’entreprise.
BloombergGPT et le traitement automatique du langage naturel
Dans cette approche, le traitement automatique du langage naturel sert à interpréter des textes comme les rapports, les actualités ou les transcriptions d’appels. Selon les chercheurs de Bloomberg, leur modèle a été entraîné sur des données financières et des sources généralistes, afin de répondre à des tâches du secteur.
Doc Insights illustre un usage plus directement opérationnel : un analyste peut questionner des documents d’entreprise en langage courant. Selon Bloomberg, l’outil peut rechercher des informations dans des documents tels que les appels de résultats et les journées investisseurs.
Refinitiv et les services de données de LSEG
Le cas de Refinitiv doit être situé dans son organisation actuelle : LSEG a acquis l’entreprise, puis a intégré ses activités à son offre de données et d’analyses. Selon LSEG, ces services mettent les informations de marché à disposition des professionnels ; cela ne signifie pas que chaque fonctionnalité utilise nécessairement un modèle génératif.
Pour comparer les deux acteurs, il faut donc séparer les modèles annoncés des outils effectivement accessibles dans les produits. Les exemples publics de Bloomberg documentent des fonctions génératives, tandis que les usages de Refinitiv dépendent du service concerné et de sa documentation.
Les différences deviennent plus concrètes quand on observe le travail quotidien des analystes et les tâches que ces outils peuvent accélérer.
Comparaison des usages financiers :
- Recherche dans des documents d’entreprise
- Synthèse de données et d’actualités financières
- Appui à la préparation de notes d’analyse
- Contrôle humain des résultats avant décision
Critère
Bloomberg
Refinitiv dans l’offre LSEG
Éléments documentés ici
BloombergGPT et Doc Insights
Services de données et d’analyse
Exemple d’usage
Interrogation de documents d’entreprise
Consultation d’informations de marché
Rôle de l’IA générative
Présent dans des fonctions annoncées
À vérifier selon le produit utilisé
Contrôle nécessaire
Vérification des sources et réponses
Vérification des sources et du service
Analyse de données financières : les usages concrets de l’IA
Une fois les offres distinguées, l’enjeu est de savoir où l’automatisation aide réellement sans remplacer le jugement professionnel. Un analyste crédit, par exemple, peut gagner du temps en recherchant dans plusieurs transcriptions les commentaires portant sur les marges ou l’endettement.
Recherche documentaire et automatisation des rapports financiers
Une interface conversationnelle peut extraire des passages pertinents, comparer des déclarations et préparer une première synthèse. L’automatisation des rapports financiers reste toutefois une assistance : les chiffres, les citations et le contexte doivent être contrôlés avant diffusion.
Bloomberg a décrit Doc Insights comme un moyen de naviguer dans des documents d’entreprise complexes et d’accélérer la recherche d’informations. Cette fonction peut aider lors d’une période de résultats, lorsque plusieurs sociétés publient leurs comptes dans un délai rapproché.
Analyse du sentiment, prévisions de marché et détection des risques
L’analyse du sentiment peut classer des commentaires ou repérer l’évolution du ton dans les nouvelles et les communications d’entreprise. Elle ne constitue pas, à elle seule, une prévision fiable : une formulation négative ne prouve pas qu’un cours baissera.
Les prévisions de marché et la détection des risques exigent des données adaptées, des hypothèses explicites et des tests réguliers. Selon la Commission européenne, les obligations liées aux systèmes d’IA dépendent notamment de leur contexte d’utilisation ; les équipes financières doivent donc examiner les règles applicables à leurs activités.
Pour transformer ces fonctions en outils d’aide à la décision, les équipes doivent aussi protéger les données et organiser la validation des résultats.
Contrôles à prévoir dans les flux financiers :
- Vérification des sources et des citations générées
- Accès limité aux données confidentielles
- Validation humaine des analyses sensibles
- Traçabilité des versions et des décisions
Usage
Apport possible
Vigilance requise
Recherche documentaire
Repérage plus rapide des passages utiles
Confirmer le passage dans le document source
Synthèse d’actualités
Vue organisée de plusieurs informations
Contrôler date, contexte et pertinence
Analyse du sentiment
Classement de signaux textuels
Éviter de traiter le ton comme une certitude
Prévisions de marché
Appui à l’examen de scénarios
Tester les hypothèses et les limites du modèle
Risques et gouvernance de l’IA chez Bloomberg et Refinitiv
Ces contrôles complètent les gains de productivité, car une réponse rapide peut aussi propager une erreur à plusieurs documents. Dans une équipe fictive de gestion, une synthèse mal attribuée pourrait influencer une note interne avant même que l’analyste consulte le rapport original.
Confidentialité, biais et fiabilité des résultats
La qualité d’une réponse dépend des documents disponibles, de leur actualité et de la manière dont la question est formulée. Les utilisateurs doivent éviter de transmettre des données sensibles à un service sans connaître ses règles de conservation et d’accès.
Un modèle peut aussi omettre une réserve importante ou présenter une réponse plausible mais erronée. Les équipes réduisent ce risque en imposant la consultation des sources primaires et en conservant une validation humaine pour les décisions engageant des clients ou des capitaux.
Explicabilité et intégration aux outils d’aide à la décision
Pour être exploitable, une recommandation doit permettre de retrouver les données qui l’étayent et de comprendre ses limites. Cette exigence concerne autant les produits de Bloomberg que les services associés à Refinitiv, avec des modalités qui varient selon les fonctionnalités.
Avant un déploiement, les responsables peuvent tester les réponses sur des documents connus, mesurer les erreurs et définir qui approuve les résultats. Cette démarche ancre les outils d’aide à la décision dans un processus contrôlable plutôt que dans une confiance automatique.
Critères de gouvernance opérationnelle :
- Traçabilité des réponses jusqu’aux documents sources
- Règles d’accès adaptées à la sensibilité des données
- Tests réguliers sur des cas financiers représentatifs
- Responsabilité humaine clairement attribuée
Source : Bloomberg, présentation de Doc Insights, 2025 ; Wu et al., « BloombergGPT: A Large Language Model for Finance », arXiv, 2023 ; Commission européenne, règlement sur l’intelligence artificielle, 2024.