Agefi Luxembourg - novembre 2026
AGEFI Luxembourg 46 Novembre 2026 IA & Tech L a plateforme d’investissement belge Datamira analyse plus de 10.000 actions et 2.500 trackers à l’aide d’unmodèle quantitatif. Son co fondateur, Giel Maris (portrait), y a ajouté un nouveau critère : la rareté. Plutôt que de chercher à savoir qui développera le meilleur modèle d’intelligence artifi cielle, il s’intéresse aux entreprises qui contrôlent les ressources indis pensables à cette technologie. Pour Giel Maris, la question essentielle est de savoir qui possède les transformateurs, les raccordements électriques, les logiciels de conception ou les matières premières nécessaires au fonctionnement de l’intelli genceartificielle. «Les investissementsd’une entreprisereprésententdesopportunitéspour une autre », expliquetil. Datamira a été lancée cette année par Giel Maris, CFA, et le professeur Stefan Duchateau. La plate formedonne accès aux outils et auxdonnées que les deux hommes utilisent depuis plusieurs années pourleurspropresfonds.Sonorigineremonteàprès de dix ans, lorsque Maris a consacré son mémoire de master à l’UHasselt à la sélection systé matique d’actions de qualité. Les flux de capitaux et les tendances des marchés ont ensuite été intégrés aumodèle. Les recom mandations s’adressent principalement aux investisseurs institutionnels. Lemarché avant les entreprises Contrairement à l’analyse tra ditionnelle, Datamira étudie d’abord les régions, puis les secteursetenfinlesentreprises. Chaque action reçoit trois notes. La première évalue sa qualité financière et sa valori sation à partir de 27 critères, dontlarentabilité,lacroissance et la solidité financière. La deuxième mesure les mouvements de capitaux, tandis que la troisième analyse la dynamique du cours par rapport au marché. Une actionn’estretenuequesilestroisindicateursconver gent. Le modèle couvre plus de 10.000 actions et 2.500 trackers, contre2.000à3.000entreprises suivies habituellement par les grandes sociétés de gestion. SelonGielMaris, cellesci passent ainsi à côtéde 50 à 60 % du marché mondial. Les simulations histo riques du modèle ont affiché un rendement annuel d’environ25%,unrésultatqueMarisinvitetoutefois à considérer avec prudence. Lemodèle en couches de JensenHuang Le filtre fondé sur la rareté s’inspire du modèle du patron de Nvidia, qui présente l’intelligence artificielle comme un ensemble de couches. À la base se trouvent l’énergie, les réseaux électriques, les matériaux et les usines, suivis des puces, des mémoires, des centres de données, des modèles et des applications. Giel Maris s’intéresse surtout aux premières étapes, où les capacités sont plus difficiles àdévelopper. Les logiciels peuvent êtredéployés rapidement, contrai rementàuntransformateur,àunraccordementélec trique ou à une nouvelle mine. « On peut acheter des puces, mais sans terrain, autorisations et raccor dement au réseau, il est impossible de construire un centre de données. » Lorsquʹune ressource devient rare, les entreprises qui la contrôlent peuvent bénéficier dʹun pouvoir accru sur les prix. Leurs perspectives de bénéfices sʹaméliorent alors, cequi peut attirer les investisseurs avant que les grands indices boursiers ne prennent en compte cette évolution. Un exercice fondé sur les probabilités Datamiran’estpasunemachineàeffectuerdestrans actions à court terme.Dans le fonds reposant sur son modèle, une action reste en portefeuille un peu plus d’un an en moyenne. Nvidia y figure depuis 2014, tandis que les petites entreprises sont généralement conservées moins longtemps. Micron et SK Hynix sont suivies depuis 2024, avec des positions réduites lorsquelesindicateursmontrentqueleurprogression boursière est déjà bien avancée. Lemodèle peut tou tefois se tromper. Dans le cas de Novo Nordisk, les indicateursfondamentauxsontrestésfavorablesalors que d’autres signaux se dégradaient. La position a été réduite trop peu et trop tard. Giel Maris décrit ainsil’investissementcomme«unexercicefondésur lesprobabilités».Ilestimequel’intelligenceartificielle pourrait, d’ici dixans, prendre enchargeunegrande partie des décisions d’investissement. Le rôle humain évoluerait alors vers la combinaison de connaissances générales, de données qualitatives etd’expertisesectorielle.Pourl’heure,Marisconsidère son approche comme un complément à l’investisse ment passif. Selon lui, les indices restent fortement concentrés sur lesvaleurs logicielles et s’adaptent len tement. Les investisseurs qui privilégient lesproduits indiciels pourraient ainsi manquer certaines oppor tunités au cours des un à deux prochaines années. Datamira mise sur les points de blocage de l’intelligence artificielle L ʹintelligence artificielle peut elle nous rendre plus efficaces à ne servir à rien ? Il y a quelque chose de fascinant dans lʹen thousiasmeaveclequellesorganisations seprécipitentaujourdʹhuisurlʹintel ligence artificielle. Les cas dʹusage semultiplient, les gains de produc tivité sʹaffichent dans les présenta tionsetlesdirectionsrivalisentdʹini tiativespourdémontrerquʹellesont pris le virage technologique. Une analyse réalisée en quelques minutes plutôt quʹen plusieurs heures, un rapport généré instanta nément, des centaines de docu ments examinés sans intervention humaine:lesdémonstrationssontimpressionnantes et les progrès incontestables. Mais aumilieu de cette effervescence, une question semble curieusement absente:avonsnousréellementbesoindetoutceque nous cherchons à produire plus rapidement ? Car il ne suffit pas de faire quelque chose plus vite, avec moins de ressources et à moindre coût, pour que cette activité devienne utile. Une tâche inutile reste inutile, même exécutée à la perfection. Pourtant, nous semblons parfois considérer que la capacité dʹune technologie à accomplir une activité constitueune justification suffisantepour continuer à lʹexercer. Nous aurions alors réussi cette prouesse assez singulière :mobiliserdes technologies toujours plus intelligentes pour perfectionner ce que nous aurions dû abandonner depuis longtemps. Lʹefficacité, cette notion que nous avons fini par oublier Prenons un exemple que beaucoup de dirigeants reconnaîtront. Une banqueproduit chaquemois un rapport de plusieurs dizaines de pages, mobilisant différentes équipes pour consolider des informa tions destinées à un comité de direction. Créé il y aunedizainedʹannées pour répondre àun besoin légitime, ce document a traversé les réorga nisations sans être véritablement remis enquestion. Certains indicateurs ont perdu leur pertinence, les destinataires ne consultent plus quʹune fraction de soncontenu,mais le rapport continuedʹêtreproduit. Il figure dans les procédures, quelquʹun en est res ponsable et sa livraisondans lesdélais constituepar fois un indicateur de performance. Arriveunprojet dʹintelligence artificielle capablede générer ce document en quelques minutes. Les coûts baissent, le temps de production diminue et le retour sur investissement paraît convaincant. Le projet est présenté comme une réussite technolo gique.Maispersonnenʹavérifié si le rapportméritait encore dʹexister. Nous venons donc dʹinvestir pour améliorer laproductiondʹundocument dont lʹutilité nʹapas étédémontrée. Lʹopérationest devenueplus efficiente, sans que lʹorganisation soit nécessaire ment plus efficace. La distinction est élémentaire. Lʹefficience consiste à utiliser aumieux les ressources disponibles ; lʹeffi cacité supposedʹatteindreunobjectif pertinent.Nos organisations excellent dans la mesure de la pre mière.Nous savons calculer le coût dʹuneopération, son temps de traitement ou les ressources mobili sées. Il est beaucoup plus rare de voir un comité de direction sʹinterroger sur les reportings que personne ne lit, les réunions qui nʹaboutissent à aucune décision ou les validations qui ne modi fient jamais le résultat final. Réduire de 80 % le temps nécessaire à une activité produit un résultat immédiatement valorisabledans un tableau de bord. Démontrer que cette activité ne devrait plus exister oblige à questionner son origine et par fois à remettre en cause des décisions prises par ceux qui dirigent aujourdʹhui lʹorgani sation. On comprend pourquoi la première approche rencontre davan tage de succès. Nous avons ainsi développé des sys tèmes de mesure capables de récompenser lʹamé liorationdʹactivités dont la disparition constituerait pourtant le véritable progrès. Quand lʹintelligence artificielle donne une nouvelle légitimité à lʹinutile Quiconque a participé à une transformation orga nisationnelle connaît ce phénomène. Les processus sʹaccumulent au fil des années, généralement pour de bonnes raisons. Un incident conduit à ajouter un contrôle, une difficulté de coordination justifie la création dʹun comité, une nouvelle réglementa tion entraîne un reporting supplémentaire et une réorganisation introduit un niveau de validation. Les circonstances évoluent, mais les dispositifs demeurent. Il arrive même que plus personne ne se souvienne précisément du problème auquel ils étaient censés répondre. Les transformations digi tales ont souvent accompagné cette accumulation. Nous avons informatisé des formulaires, dématé rialisé des circuits de validation et intégré dans des systèmes sophistiqués des règles héritées dʹor ganisations qui nʹexistent parfois plus. Ces évolu tions ont apporté des bénéfices réels, mais elles ont également permis à certaines pratiques de sur vivre parce que leur exécution était devenue moins contraignante. Lʹintelligence artificielle franchit une étape supplé mentaire. Elle peut intervenir dans des activités nécessitant de lʹinterprétation, de la synthèse ou de lʹanalyse, là où les technologies traditionnelles reposaient principalement sur des règles prédéfi nies. Elle peut enrichir les productions existantes, multiplier les scénarios et générer des recomman dations supplémentaires. Une note de quinze pages devient un document de trente pages, accompagné dʹanalyses compara tives. Un comité reçoit dix scénarios là où trois suf fisaient auparavant. Une équipe produit quotidien nement des synthèses quʹelle réservait autrefois aux situations exceptionnelles. Le résultat est impressionnant, mais cette sophisticationne garan tit aucune amélioration de la décision, de la maî trise des risques ou du service rendu. Dans les secteurs réglementés, la question mérite une attention particulière. Un contrôle qui ne détecte aucun incident nʹest pas nécessairement inutile, et la prévention possède une valeur même lorsquʹelle demeure invisible. Mais cela ne signifie pas que toutes les validations soient indispensables ou que chaque exigence réglementaire justifie la multiplication de reportings internes. Il suffit par fois dʹexaminer les circuits de décision dʹune insti tution financière pour constater combien de véri fications portent sur les mêmes informations, sans que leur valeur ajoutée soit clairement établie. LʹIA pourrait finalement nous permettre de supporter plus facilement une complexité dont nous aurions dû nous débarrasser. En rendant certaines activités moins coûteuses, elle leur offre une nouvelle légi timité, alorsmême que leur raison dʹêtremériterait dʹêtre examinée. Le paradoxe de lʹabondance : quand produire devient trop facile Cʹest peutêtre là que se trouve la contradiction la plus intéressante. En réduisant considérablement le coût de production de certaines activités intellec tuelles, lʹintelligence artificielle pourrait faire dispa raître lʹunedes dernières incitations à les supprimer. Lorsquʹun rapport mobilise trois collaborateurs pendant plusieurs jours, son coût finit par susciter des interrogations. Lorsquʹil peut être généré en quelques secondes, pourquoi discuter de sa perti nence ? Puisque produire ne coûte pratiquement plus rien, autant continuer. Et pourquoi nepas ajou ter quelques analyses supplémentaires ? Ce raisonnement paraît logique lorsquʹon consi dère une activité isolément. Il devient moins convaincant à lʹéchelle dʹune organisation. Un document doit être lu, vérifié, interprété, éventuel lement discuté et parfois donner lieu à de nouvelles demandes dʹexplication. Lʹintelligence artificielle peut réduire le coût de production sans faire dis paraître celui de lʹexploitation. Elle risque même de déplacer le travail vers ceux qui devront donner du sens à cette abondance. Imaginons un dirigeant qui recevait auparavant cinq notes dʹanalyse par semaine et qui peut dés ormais en recevoir cinquante, toutes parfaitement rédigées. Sa capacité à absorber lʹinformation, à en apprécier la pertinence et à arbitrer entre des pro positions contradictoires nʹa pourtant pas été mul tipliée par dix. Lʹorganisation aura augmenté sa capacité à produire des analyses, sans nécessaire ment améliorer celle de les utiliser. Le phénomène pourrait devenir autoentretenu. Puisquʹil est facile de générer de nouvelles ana lyses, on en demande davantage. Puisquʹelles sont plus nombreuses, il faut les synthétiser. Puisquʹelles contiennent davantage de recomman dations, il faut en organiser le suivi. Et puisque ce suivi devient complexe, pourquoi ne pas utiliser à nouveau lʹIApour produire les tableaux de bord nécessaires ? Nous risquons alors de créer une forme dʹinflation bureaucratique assistée par in telligence artificielle, dans laquelle chaque nouvelle capacité technologique génère ses propres besoins de coordination et de contrôle. Des analyses auparavant impossibles ou trop coû teuses deviennent certes accessibles, et certaines peuvent révéler des risques ou des opportunités que nous nʹaurions jamais identifiés autrement. Mais la facilité de production ne constitue pas un critère de pertinence. Une information supplémen taire nʹapporte de valeur que si elle améliore notre compréhensionounotre capacitédʹaction.Àdéfaut, nous aurons simplement déplacé le problème : nous avions trop de travail pour produire lʹinfor mation, nous risquons désormais dʹen avoir trop pour lʹexploiter. Et si la véritable innovation consistait à fairemoins ? Cette évolution devrait nous conduire à revoir la manière dont nous concevons les projets dʹintelli gence artificielle. Aujourdʹhui, les programmes de transformation commencent généralement par identifier des cas dʹusage, évaluer leur faisabilité et estimer les gains de productivité attendus. La démarche est rationnelle, mais elle repose sur une hypothèse rarement discutée : les activités concer nées méritent dʹêtre poursuivies. Avant de demander à une IA de produire un document ou de préparer une recommandation, il serait parfois plus judicieux de comprendre pourquoi cette activité existe, quelle valeur elle apporte et ce qui se passerait si elle disparaissait. Dans certains cas, la meilleure décision serait de supprimer le besoin auquel la solution technolo gique était censée répondre. Lʹintelligence artificielle pourrait dʹailleurs devenir un instrument de simplification organisationnelle. En rapprochant des informations dispersées, en analysant les interactions entre processus ou en identifiant les redondances, elle peut aider les organisations à mieux comprendre leur fonction nement. Mais cette utilisation suppose une volonté de remettre en question lʹexistant, plutôt que de le considérer comme un ensemble de contraintes quʹil suffirait dʹoptimiser. Le véritable obstacle reste probablement managé rial. Nos organisations savent créer des activités, lancer des projets, introduire des contrôles et déve lopper de nouveaux outils. Elles savent beaucoup moins bien supprimer ce qui a perdu sa raison dʹêtre. La création est visible, valorisante et asso ciée à une initiative. La suppression remet en ques tion des habitudes, des responsabilités et parfois des territoires de pouvoir. Surtout, celui qui décide de supprimer une activité en assume explicite ment le risque, tandis que le coût de son maintien reste largement diffus. Il faudrait pourtant accepter quʹun projet technolo gique puisse être considéré comme une réussite parce quʹil adémontré quʹune partie de ce que nous produisions nʹétait plus nécessaire. Quʹun comité puisse disparaître plutôt que recevoir des dossiers mieux préparés, quʹun reporting soit abandonné plutôt que généré instantanément ouquʹunproces sus soit simplifié plutôt quʹenrichi de nouvelles capacités intelligentes. Lʹintelligence artificielle nous offre des possibilités extraordinaires pour analyser, comprendre et trans former nos organisations.Mais sapuissancedevrait nous rendre plus exigeants sur la finalité de ce que nous lui demandons dʹaccomplir. Nous avons consacré des décennies à perfectionner notre capa cité à faire les choses correctement. Peutêtre serait il temps de consacrer autant dʹintelligence à déter miner si nous faisons les bonnes choses. Car la véritable performance ne consiste pas à faire toujoursmieux ce qui ne sert à rien. Elle commence parfois par avoir le courage de ne plus le faire. Renaud BARBIER Managing Partner – Osons Quand l'intelligence artificielle perfectionne l'inutile
Made with FlippingBook
RkJQdWJsaXNoZXIy Nzk5MDI=