Le territoire du risque a changé

Face à l’ampleur de ces bouleversements, il devient plus difficile d’établir des liens de causalité et les investisseurs ont davantage tendance à s’appuyer sur des narratifs partagés pour appréhender la réalité des marchés. Les marchés guidés par des narratifs présentent des niveaux de concentration des risques que les cadres d’attribution traditionnels ne sont pas conçus pour détecter. La première victime de l’incertitude liée à l’IA est la diversification traditionnelle. Sur le papier, un portefeuille classique peut paraître correctement diversifié : actions réparties entre différents secteurs et niveaux de capitalisation, crédit couvrant plusieurs catégories de notations et zones géographiques et allocations croissantes aux marchés privés. Toutefois, dans la pratique, un grand nombre de ces positions partagent sans doute une exposition sous-jacente à la même dynamique de rupture.

Prenons l’exemple des infrastructures de calcul de l’IA. La demande pour les centres de données entraîne une hausse des investissements dans les infrastructures énergétiques. Elle contribue à reconfigurer les chaînes d’approvisionnement des semi-conducteurs, se répercute sur l’immobilier commercial d’une manière qu’il est à ce stade encore difficile de modéliser avec précision et génère des pressions sur le marché du travail qui alimentent l’inflation des salaires dans certaines régions et pour certains bassins de compétences. Un portefeuille qui détient des entreprises de services aux collectivités, des d’actifs immobiliers logistiques, des actions du secteur des semi-conducteurs et des titres de crédit « investment grade » liés aux dépenses d’investissement technologiques peut sembler diversifié du point de vue des catégories d’actifs dans lesquelles il est investi. Pourtant, avec le recul, on s’aperçoit que ces positions ont pour dénominateur commun une exposition à la dynamique de déploiement l’IA.

La deuxième victime est la stabilité même de la matrice de corrélation. Les relations entre les classes d’actifs sur lesquelles reposait la construction de portefeuille depuis des décennies - la corrélation négative entre les obligations d’État à long terme et les actions, ou le pouvoir de diversification des matières premières - ont toujours été tributaires d’un régime macroéconomique particulier. De même, la transition énergétique et la demande d’énergie liée à l’IA sont soumises à des tensions, et les déplacements d’emplois et les dépenses de consommation sont liés de manière différente selon les zones géographiques et les catégories de revenus. Ce ne sont pas seulement des corrélations nouvelles qui apparaissent. D’autres se renforcent, s’affaiblissent voire disparaissent complètement au fil de l’évolution des dynamiques économiques sous-jacentes.

Au cours des années qui ont précédé la crise financière mondiale, les modèles racontaient invariablement un récit cohérent. Les banques avaient soumis leurs portefeuilles à des tests de résistance par rapport à une série de scénarios historiques, notamment la crise des caisses d’épargne américaines, le défaut de paiement de la Russie ou l’éclatement de la bulle Internet. Toutefois, aucun de ces scénarios n’avait anticipé un effondrement des prix de l’immobilier résidentiel à l’échelle nationale. Il était donc impossible de mesurer la crise de 2008, car les tests de résistance historiques étaient fondés sur l’application rigoureuse de modèles hérités du passé. De fait, ils ne posaient pas les bonnes questions.

La gestion du risque de portefeuille à l’ère de l’IA est confrontée à un défi similaire. Les tests de résistance historiques sont par définition un exercice rétrospectif. L’hypothèse implicite est que les événements du passé seront amenés à se répéter dans le futur et que la distribution des résultats sera suffisamment stable pour que les conclusions historiques fournissent des indications utiles sur l’avenir. C’est précisément au cours des périodes de transition structurelle macroéconomique que cette hypothèse montre le plus ses limites.

De nombreux investisseurs complètent déjà les tests de résistance historiques par des analyses de scénarios prospectifs, et ces outils sont désormais intégrés aux systèmes de gestion des risques disponibles sur le marché. L’IA ne modifie donc pas l’existence de ces approches, mais leur fragilité. Des dynamiques peuvent se déployer plus rapidement, les données peuvent être plus limitées et des expositions peuvent affecter certains secteurs que les cadres traditionnels de classification par classes d’actifs continuent de considérer comme distincts.

L’enjeu dans notre monde bouleversé par l’IA est de savoir comment le portefeuille se comporterait face à un éventail de trajectoires plausibles induites par l’IA en l’absence de précédents historiques. Que se passerait-il si les contraintes liées à l’énergie et aux infrastructures de calcul se révélaient finalement plus importantes que prévu ? Si les gains de productivité générés par l’IA se répartissaient de manière inégale et accentuaient les écarts entre les dynamiques des dettes souveraines au point d’exercer des pressions sur les marchés obligataires ? Si la rupture se produisait dans les conditions anticipées par le rapport Citrini - de manière rapide, brutale et concentrée - au lieu de se diffuser progressivement ?

Pour établir un diagnostic, il faut donc arrêter de penser que les scénarios historiques vont se reproduire et se focaliser davantage sur une analyse prospective. Il ne s’agit pas d’établir un scénario de base unique assorti de variantes haussières et baissières, mais de dresser une nouvelle carte d’avenirs structurellement distincts et d’évaluer le comportement du portefeuille dans chaque cas de figure.

Face à un environnement plus incertain, il est tentant de miser sur des méthodes de prévision encore plus sophistiquées. Des modèles plus performants, davantage de données et des analyses de scénarios encore plus détaillées. Toutefois, la réaction la plus appropriée face à une véritable incertitude est la robustesse plutôt que la précision. Au lieu de s’appuyer une trajectoire prévue et d’apporter des optimisations en fonction de son évolution, les investisseurs peuvent traiter les prévisions comme des situations provisoires, tester leur sensibilité et mesurer les conséquences d’une éventuelle erreur. L’objectif est de construire un portefeuille résistant et performant dans un large éventail d’environnements plausibles, tout en conservant la capacité de s’adapter au fur et à mesure de l’apparition de nouveaux éléments. 

Comment les investisseurs peuvent-ils savoir si leur portefeuille présente une concentration de risques liée à un même narratif ? Les matrices de corrélation classiques peuvent montrer que des actifs évoluent de concert. En revanche, elles ne peuvent pas expliquer les raisons de cette corrélation ni savoir si cette relation va se maintenir. Pendant les périodes de changement structurel, les investisseurs doivent examiner les dynamiques économiques qui relient leurs différentes positions.
Ils peuvent commencer par cartographier leurs expositions aux facteurs sous-jacents en adoptant une lecture causale des corrélations et des dynamiques économiques, plutôt qu’en les considérant comme des relations statistiques figées. Je propose trois questions pour établir ce diagnostic :

L’objectif de ce diagnostic n’est pas de prévoir précisément les conséquences de l’IA. En revanche, il vise à identifier dans quelle mesure le portefeuille est dépendant d’une vision commune de l’avenir de l’IA et à évaluer sa capacité à rester résilient si cette vision se révèle incomplète.

Cette approche redéfinit trois piliers de la construction de portefeuille. La diversification ne consiste plus à répartir les investissements entre différentes catégories de classes d’actifs. Elle permet d’identifier les véritables sources de rendement et de s’assurer qu’elles présentent une faible corrélation au niveau de leurs facteurs de risque sous-jacents, au-delà des simples étiquettes qui leur sont attribuées. L’optionalité, c’est-à-dire la capacité à repositionner le portefeuille à mesure que les différentes dynamiques se précisent, devient un attribut du portefeuille à part entière et réduit la nécessité de chercher à prévoir l’avenir plus précisément. La réalisation des objectifs de l’investisseur devient le principe directeur. Il n’est plus question de chercher l’optimisation par rapport à un indice de référence.

Un certain nombre d’investisseurs auront sans doute déjà deviné où mène ce raisonnement : vers l’approche globale du portefeuille (Total Portfolio Approach, TPA). Bien que ses détracteurs les plus acharnés la relèguent au rang d’argument marketing, cette approche traduit en réalité une évolution des pratiques de gestion et des mentalités. La TPA est un cadre d’investissement qui prend pour point de départ les objectifs recherchés et les budgets de risque, puis appréhende l’ensemble des expositions dans leur globalité. Elle a été développée (et par la suite codifiée par Willis Towers Watson) précisément parce que la diversification fondée sur les seules catégories d’actifs était jugée insuffisante. Particulièrement bien adaptée à l’incertitude induite par l’IA, elle invite à ne plus raisonner en termes d’allocations, mais plutôt à se demander « quels risques sommes-nous rémunérés pour assumer ? »

À l’ère de l’IA, marquée par l’apparition de risques méconnus dont on ne soupçonne même pas l’existence, cette question devient plus urgente et plus lourde de conséquences. La TPA raisonne en termes de risques plutôt qu’en termes d’allocations. Elle permet de mieux faire apparaître certaines corrélations sous-jacentes (notamment lorsque des actifs sont exposés aux mêmes dynamiques de bouleversements liés à l’IA). Elle fournit également un cadre d’allocation dynamique, qui tient compte des facteurs de risque et qui est capable d’évoluer à mesure que les différentes dynamiques se précisent, plutôt que de figer le portefeuille dans des positions calibrées en fonction d’un régime qui pourrait ne plus être d’actualité.

Par son architecture, la TPA est surtout particulièrement bien adaptée à une approche « pre-mortem ». Au lieu de construire un portefeuille en espérant qu’il survivra aux épisodes de tensions, elle commence par imaginer comment le portefeuille pourrait être mis en défaut et définit les protocoles de réponse à l’avance. Naturellement, la TPA n’est pas l’unique réponse au diagnostic de test présenté plus haut. Elle constitue néanmoins une approche crédible et potentiellement plus résiliente, pour prendre en compte les constats dans la construction du portefeuille.

Toutefois, la visibilité n’a de valeur que si elle s’accompagne d’un jugement éclairé. Un investisseur peut très bien adopter pleinement la TPA et faire fausse route sur les transformations induites par l’IA. Il en allait de même en 2008 : ce n’est pas la méthodologie des tests de résistance qui a départagé les gagnants des perdants, mais la capacité de ceux qui comprenaient justement que la bulle immobilière touchait à sa fin et qui avaient trouvé les instruments qui leur permettaient de prendre les mesures qui s’imposaient.

Andrew Ang et d’autres chercheurs ont avancé que l’avenir de la gestion de portefeuille sophistiquée pourrait moins ressembler à la gestion d’actifs traditionnelle qu’à un système de conduite autonome : un système qui se réajuste en permanence à mesure que de nouvelles informations deviennent disponibles, qui intègre un modèle de sa propre incertitude et qui est conçu pour s’adapter à différentes conditions plutôt que d’optimiser en fonction d’un seul scénario.¹ La TPA partage la même logique de rajustement permanent dans des conditions d’incertitude. Elle constitue l’une des formulations institutionnelles de ce principe. 

La montée de l’IA ne remet pas en cause la logique fondamentale de la prise de risque en contrepartie d’un rendement. En revanche, elle modifie les conditions dans lesquelles cette logique s’applique et, ce faisant, fait payer plus cher le manque de souplesse intellectuelle.

Les investisseurs qui considèrent l’IA comme une simple thématique sectorielle se contenteront d’investir dans des centres de données et des fabricants de semi-conducteurs et estimeront avoir fait le tour de la question. Ceux qui estiment qu’il s’agit d’un choc macroéconomique structurel sont amenés à s’interroger sur la stabilité de la matrice de corrélation, l’adéquation des tests de résistance historiques et se demanderont si leur diversification apparente ne masque pas une exposition concentrée à un seul narratif de rupture.

Korzybski nous avait avertis qu’il était dangereux de confondre la carte avec le territoire. Les investisseurs qui sauront le mieux s’orienter dans l’ère de l’IA seront ceux qui garderont cette mise en garde à l’esprit. Ils resteront constamment conscients du fait que le territoire lui-même ne cesse d’évoluer. Et bien que l’approche globale du portefeuille ne prétende pas cartographier ce qui ne peut l’être, elle permet au moins de construire un portefeuille capable de fonctionner lorsque l’ancienne carte devient obsolète. À une époque marquée par une profonde incertitude structurelle, cette forme d’humilité en matière d’investissement constitue peut-être l’avantage le plus durable qui soit : la sagesse de reconnaître ce qui échappe à notre capacité d’anticipation et de nous positionner en conséquence.

¹ Ang, Andrew, Nazym Azimbayev, et Andrey Kim. « The Self-Driving Portfolio: Agentic Architecture for Institutional Asset Management. » Working paper, 2026.