Agefi Luxembourg - juin 2026

AGEFI Luxembourg 36 Juin 2026 Emploi & Formations Par Dominique de la BARRE, La Nouvelle Ligne* C es jours derniers, La Nouvelle Ligne a eu l’occasiond’assister à un séminaire dans le domaine de la finance, dont la langue française, soumise à un feunourri d’angli­ cismes, n’est pas rechapée indemne. Dans l’armurerie des anglicismes, Il existe cependant desmunitions de différents calibres dont La Nouvelle Ligne , de retour de la ligne du front, fournit ici un inventaire. Lesmots anglais Dominée par les ÉtatsUnis, la culture du monde de la finance est dans les faits anglosaxonne ; aussi, faitelle volontiers appel à des expressions qui peinent à trouver un juste équivalent en français, des mots comme fixing, private equity ou encore broker , autrefois appelé courtier en vieux français. Lesmarques de paresse Onglisse cependant assez rapide­ mentverscequ’ilfautbienappeler delaparessedèslorsquel’onmen­ tionneparexemple lecompounding (plutôt que la composition) des taux d’intérêt ou encore ce projet deloirécemmentvotépar laHouse , là où la Chambre des Représen­ tants fait parfaitement l’affaire. Les anglicismes On ne compte plus les verbes qui ont fait l’objet d’une francisation, invariablement au seindes verbes le premier groupe, parmi lesquels on trouve lister (coter en bourse), hedger (couvrir un risque), ou encore trader (négocier). Les inventions demauvais aloi Si certainsde ces verbes ont de fait trouvé leur place dans le jargon financier en français, de l’avis de LaNouvelleLigne ,d’autresrelèvent del’abus,parexemple:lapolitique monétaire est drivée par les banques centrales. A la différence du mot compounding , drive r n’est pas de l’anglais et n’est pas non plusunmotqui,comme hedger ,est passé dans le jargon. Exemple extrême, l’un des orateurs lors de ce séminaire factorait des éléments dans sa prise de décision, une tra­ duction copiécollé de l’anglais mais qui fait appel àunverbe ( fac­ torer ) qui n’existe tout simplement pas en français. Les glissements de sens abusifs Ces traductions hâtives peuvent également donner lieu à des glis­ sements de sens erronés. Par exemple,lorsqu’onditque«untel est licencié », on ne veut pas dire qu’il est titulaire d’un diplôme de licence (ce qui serait correct) mais qu’il est soumis àune autorisation ou à la tutelle d’un régulateur (ce qui est incorrect en français). Les erreurs grammaticales Les lecteurs de La Nouvelle Ligne qui seront allés à l’école dans leur jeunesse se souviendront que la grammaire,c’estl’ensembledesrè­ gles à suivre qui permettent de parler correctement une langue. Dans ce contexte, ils se souvien­ drontenparticulierqu’enfrançais, àladifférencedel’anglais,seulsles verbes transitifs peuvent se conju­ gueràlavoixpassive.Pourtant, La Nouvelle Ligne entend fréquem­ ment dire que « votre question a étérépondue»alorsquerépondre est un verbe intransitif, suivi de la proposition« à ».Ondevrait donc simplement dire : « Cher Mon­ sieur, j’ai déjà répondu à votre question endate du…». Même les chiens qui sommeillent dressent l’oreille face à ces angli­ cismes déplacés. * Dominique de la Barre publie le blog La Nouvelle Ligne (https://lanouvelleligne.com/ ) après une longue carrière dans la banque à LuxembourgetenSuisse. La langue française à l’épreuve de la finance ©Keystone Par Renaud BARBIER,Managing Partner –Osons L ’intelligence artificielle est probable­ ment la technologie qui suscite aujourd’hui le plus d’attentes, mais aussi le plus de frustrations. Jamais une innovationn’aura bénéficié d’une telle couverturemédiatique, d’un tel niveaud’investissement et d’une telle rapidité de diffu­ siondans les organisations. En l’espacede quelques années seulement, les entreprises ont vuapparaîtredesoutilscapables derédiger,synthétiser,traduire,ana­ lyser, coder, rechercherde l’information ou produire des recommandations avec une effi­ cacitéquisemblaitencorereleverdelasciencefiction il y a peu. Pourtant, derrière l’enthousiasme affiché, unconstat commenceàémerger.Malgré lesbudgets engagés,malgré les annonces stratégiques etmalgré la multiplication des projets, les résultats obtenus demeurent souvent endeçàdes espérances initiales. La littérature spécialisée regorge désormais d’études montrant que de nombreux projets d’in­ telligence artificielle n’atteignent pas les objectifs annoncés. Certains stagnent au stade du pilote, d’autres peinent à démontrer leur retour sur inves­ tissement et beaucoup restent confinés à quelques cas d’usage périphériques sans véritable impact sur le modèle opérationnel de l’entreprise. Face à ce constat, la tentation est grande d’incrimi­ ner la technologie ellemême. Lesmodèles seraient encore imparfaits, les données insuffisamment fia­ bles, les infrastructures trop coûteuses ou les usages encore immatures. Cette explication pré­ sente l’avantage d’être confortable. Elle laisse enten­ dre que les difficultés actuelles ne seraient qu’un problème transitoire et que la prochaine génération d’outils finira naturellement par résoudre les limites observées aujourd’hui. Cette lecturemeparaît pourtant largement erronée. Non pas parce que les défis technologiques n’exis­ tent pas, mais parce qu’ils ne constituent plus, dans la plupart des organisations, le principal facteur d’échec. Les entreprises disposent désormais d’un accès relativement simple à des technologies per­ formantes. Les barrières à l’entrée ont considérable­ ment diminué. Les outils sont accessibles, les four­ nisseurs nombreux et les capacitésdisponibles àdes coûts qui deviennent progressivement compatibles avec une adoption massive. Dans ce contexte, la question essentielle n’est plus technologique. Elle est devenuemanagériale. L’intelligence artificielle échoue rarement parce qu’elle est incapable de produire une réponse perti­ nente. Elle échoue beaucoup plus souvent parce qu’elle vient perturber un ensemble de croyances, d’habitudes et de certitudes sur lesquelles lesorgani­ sationsontconstruitleurfonctionnement.Autrement dit,l’IAneseheurtepasàdeslimitesalgorithmiques. Elle se heurte à des représentations du monde que les dirigeants considèrent comme acquises. Cette distinction est fondamentale. Car la plupart des transformations technologiques précédentes concernaient essentiellement les moyens. Les outils numériquesontpermisd’accélérerleséchangesd’in­ formation. Les ERP ont amélioré l’intégration des processus. Lesplateformes collaboratives ont facilité la communication. Dans tous les cas, la technologie venaitsoutenirlesmécanismesdedécision existants sans remettre profondément en cause leur logique. L’intelligence artifi­ cielleintervientàunniveaudifférent.Elle ne modifie pas uniquement la manière dont l’information circule. Elle influence lamanière dont elle est interprétée. C’est précisément ce qui rend cette révolutionparticulière. Pendant des décennies, les or­ ganisations ont fonctionné selon une architecture relati­ vement stable. Les données étaient collectées par les sys­ tèmes, analysées par les experts, puis transformées en décisions par les dirigeants. Cette sé­ quence constituait l’un des fon­ dements implicites du management moderne. Chacunoccupait une place clairement définie dans la chaîne de créationde valeur intellectuelle. Les ex­ perts produisaient les analyses. Les managers for­ mulaient les arbitrages. Les collaborateurs exécutaient les décisions. L’intelligence artificielle brouille progressivement cette répartition des rôles. Non parce qu’elle rem­ place les experts ou les dirigeants,mais parce qu’elle devient capable de produire des analyses, d’identi­ fier des scénarios, de détecter des anomalies ou de formuler des hypothèses à une vitesse et à une échellesansprécédent.Dèslors,laquestionn’estplus seulement de savoir ce que la machine peut faire. Elledevient de savoir comment l’organisation réagit lorsque lamachineproduit une lectureduréel diffé­ rente de celle qui prévalait jusqu’alors. Acet égard, l’IAagit souvent comme un révélateur. Ellemet en évidence des incohérences que les orga­ nisations avaient appris à ignorer. Elle expose des exceptionsquelesprocéduresofficiellesneprennent pas en compte. Elle révèle des corrélations inatten­ dues.Elleidentifiedesschémasquepersonnen’avait réellement observés. En d’autres termes, elle intro­ duit de nouvelles perspectives dans un environne­ ment qui repose souvent sur des interprétations sta­ bilisées depuis longtemps. L’illusion de la rationalité parfaite Cette situation rappelle d’ailleurs les travaux du prix Nobel Herbert Simon. Dès les années 1950, Simon démontrait que les décideurs n’agissaient pas selon une logique de rationalité parfaite. Face à la complexité dumonde réel, ils ne recherchent pas la meilleure décision possible mais une décision suffisamment satisfaisante compte tenu des infor­ mations dont ils disposent. Il qualifiait ce phéno­ mène de « rationalité limitée ». Cette idée demeure d’une étonnante actualité. Car si l’intelligence arti­ ficielle modifie aujourd’hui quelque chose de fon­ damental, ce n’est pas la nature de la décision elle­ même. C’est l’étendue des informations qu’il devient possible de mobiliser avant de décider. Le paradoxe est que cette capacité accrue ne réduit pas nécessairement les tensions au sein des organi­ sations. Bien au contraire. Plus les systèmes devien­ nentcapablesdetraiterdesvolumesimportantsd’in­ formations, plus ils rendent visibles les simplifica­ tions,lesapproximationsetparfoislesbiaisquicarac­ térisent les raisonnements humains. L’IA ne révèle passeulementdenouvellesconnaissances.Ellerévèle égalementleslimitesdesconnaissancessurlesquelles reposaient certaines décisions passées. C’est souvent à cemoment que les résistances apparaissent. Quand l’expertise devient un territoire à défendre Contrairement à une idée largement répandue, les principaux freins à l’adoption de l’intelligence artifi­ cielle ne se situent pas nécessairement auniveaudes équipes opérationnelles. Dans de nombreux cas, les collaborateurs adoptent rapidement les nouveaux outils lorsqu’ils constatent leur utilité concrète. Les résistances les plus significatives apparaissent fré­ quemmentdanslesniveauxintermédiairesousupé­ rieurs de l’organisation, là où l’expertise accumulée constitue une source de légitimité et d’influence. Cette observationn’a riende surprenant. Toute orga­ nisation repose sur une répartition du savoir et du pouvoir. Certaines fonctions tirent leur valeur de leur capacité à interpréter l’information, à construire des analyses ou à produire des recommandations. Lorsquedenouveauxoutilsdeviennentcapablesd’ef­ fectuer une partie de ces tâches, ilsmodifient inévita­ blement les équilibres existants. Il ne s’agit pas d’une oppositionentrel’hommeetlamachine.Ils’agitd’une interrogationbeaucoupplusprofondesurlaplacede l’expertise dans lesmécanismes de décision. L’histoire économique montre que les grandes rup­ tures technologiques ont rarement été freinées par les limites intrinsèques de la technologie. L’électricité existait bien avant que les usines ne soient réorgani­ séespourexploiterpleinementsonpotentiel.Lespre­ miers ordinateurs étaient capables d’automatiser de nombreuses tâches avant même que les entreprises ne modifient leurs modes de fonctionnement. Plus récemment, la transformation numérique a souvent consistéànumériserdesprocessushéritésdel’èredu papier sans remettre en cause les logiques organisa­ tionnelles sousjacentes. L’intelligenceartificiellesemblesuivreunetrajectoire comparable. Nous observons aujourd’hui des orga­ nisationséquipéesd’outilsextrêmementsophistiqués maisgouvernéesselondesschémasintellectuelspar­ foisinchangésdepuisplusieursdécennies.Lesinves­ tissements se concentrent sur les plateformes, les modèles et les infrastructures. Beaucoup plus rare­ ment sur les mécanismes de décision euxmêmes. Comme si l’onpouvait transformer les résultats sans transformer les hypothèses qui les produisent. Le véritable sujet : la gouvernance de la décision Cette confusion explique pourquoi tant de projets restent enfermés dans une succession de preuves de concept, de pilotes et d’expérimentations. Officiellement, il s’agit de prudence. En réalité, il s’agit parfois d’une difficulté beaucoup plus fonda­ mentale : accepter les conséquences organisation­ nelles des enseignements obtenus. Car l’intelligence artificielle produit rarement des réponses neutres. Lorsqu’elle met en évidence une inefficacité, une redondance ou une mauvaise allocation des res­ sources, elle ne remet pas seulement en question un processus. Elle remet parfois en question des décisions passées, des structures établies ou des certitudes managériales profondément ancrées. Tant que l’IA reste confinée dans un laboratoire d’innovation, elle demeure un sujet technolo­ gique. Dès lors qu’elle commence à influencer les choix stratégiques ou opérationnels, elle devient un sujet de gouvernance. Cette dimension est lar­ gement sousestimée dans les débats actuels. Beaucoup d’organisations continuent d’aborder l’intelligence artificielle comme un projet informa­ tique alors qu’il s’agit fondamentalement d’unpro­ jet de transformation du processus décisionnel. La véritable question n’est pas de savoir si un algo­ rithme est capable de produire une recommanda­ tion pertinente. La véritable question consiste à déterminer ce que l’organisation est prête à faire lorsque cette recommandation contredit ce qu’elle croyait savoir. Cette interrogation rejoint d’ailleurs une réflexion plus ancienne sur le rôle même du management. Peter Drucker rappelait que la fonction première d’undirigeant n’était pasd’avoir réponseà toutmais de s’assurer que les bonnes questions étaient posées. Cettedistinctionprendaujourd’hui une importance particulière. Une partie des entreprises continue à considérer l’IA comme un moyen d’obtenir des réponsesplusrapidement.Lesorganisationslesplus matures commencent à comprendre qu’elle consti­ tue surtout un formidable outil de questionnement. L’enjeun’est pas simplement deproduiredavantage d’analyses. L’enjeu est d’accepter que certaines ana­ lysespuissent remettre encausedes convictions éta­ blies. Cette capacité est beaucoupplus rare qu’on ne l’imagine. Les organisations apprécient volontiers lesinnovationsquiconfirmentleurvisiondumonde. Elles accueillent beaucoup moins favorablement cellesqui lesobligent à réexaminer leurshypothèses. L’avantage compétitif de demain ne sera pas technologique C’est probablement la raison pour laquelle les entre­ prises qui obtiennent aujourd’hui lesmeilleurs résul­ tats avec l’intelligenceartificiellene sont pasnécessai­ rement celles qui disposent des moyens technolo­ giques lesplus importants. Ce sont souvent celles qui ont développé une culture de l’expérimentation, du débat contradictoire et de la remise en question. Elles considèrent l’incertitude non comme un problème à éliminermais comme une réalité à gérer. Elles accep­ tentquecertaineshypothèsespuissentêtreinvalidées. Elles comprennent que l’apprentissage organisation­ nel constitue un avantage concurrentiel plus durable que la possession d’un outil particulier. Cette diffé­ rence est essentielle. Lestechnologiesfinirontparsebanaliser.Lesmodèles deviendront plus performants, plus rapides etmoins coûteux. Les barrières technologiques continueront de diminuer. En revanche, la capacité d’une organi­ sation à remettre en question ses propres certitudes demeurera rare. Or c’est précisément cette capacité qui déterminera sa faculté à tirer pleinement parti de l’intelligence artificielle. Au fond, l’IA agit comme un miroir. Elle révèle moins les limites de lamachine que celles des orga­ nisations qui l’utilisent. Elle expose les zones d’om­ bredesprocessus, les biaisdesdécisions, les rigidités des structures et parfois les fragilités de certaines convictions managériales. C’est ce qui explique à la fois son potentiel transformateur et les résistances qu’elle suscite. L’avenir de l’intelligence artificielle nedépendradoncpas uniquement de laqualitédes algorithmes, de la puissance des infrastructures ou de la disponibilité des données. Il dépendra tout autant de la capacité des dirigeants à accepter que leur compréhension du réel puisse être incomplète, que certaines décisionsméritent d’être réexaminées et que laperformance collective reposemoins sur la certitude que sur l’apprentissage. L’IA n’est pas, au fond, un test technologique. Elle constitue avant tout un test de lucidité managériale. Et c’est probablement là que se situe aujourd’hui le véritable défi. L’IA face à son véritable adversaire : la certitude managériale