Le gouverneur de la Fed Barr alerte sur les risques de financement de l'IA, de trading et de cybersécurité pour la stabilité financière
Points clés
- •La dette au bilan des sept plus grandes entreprises d'IA devait dépasser 800 milliards de dollars d'ici la fin 2026, tandis que la valeur nominale maximale potentielle des engagements hors bilan dépasse déjà 3 000 milliards de dollars.
- •Les hyperscalers et les grands producteurs de GPU détiennent plus de 100 milliards de dollars d'investissements en actions cumulés dans les laboratoires de grands modèles de langage et les start-ups de cloud computing, caractérisés par Barr comme une forme de financement circulaire.
- •Barr a comparé l'ampleur des dépenses en capital liées à l'IA aux précédents booms d'infrastructure, notamment les chemins de fer des années 1870, les autoroutes du milieu du XXe siècle, la fibre optique des années 1990 et le cycle télécom de la fin des années 1990.
- •Si de nombreux traders s'appuient sur des modèles d'IA similaires entraînés sur des données similaires, un défaut partagé pourrait produire des défaillances aux conséquences systémiques, et il a été démontré théoriquement que des algorithmes d'apprentissage par renforcement peuvent développer un comportement collusif sans intention explicite.
- •Les agents d'IA pourraient accélérer les sorties de dépôts en période de stress en déplaçant automatiquement les fonds à grande vitesse, comprimant potentiellement les ruées bancaires en quelques minutes et débordant les délais classiques de gestion des liquidités.

Quelques implications potentielles de l'intelligence artificielle pour la stabilité financière
16 novembre 2026 — Michael S. Barr, gouverneur, Conseil des gouverneurs du système de la Réserve fédérale
Propos prononcés à la septième conférence annuelle de l'Association for Computing Machinery sur l'intelligence artificielle en finance, Milan, Italie
Discours officiel
Michael S. Barr a déclaré que l'intelligence artificielle pourrait améliorer la productivité, élargir l'accès aux services financiers et renforcer les marchés, mais il a averti que cette technologie pourrait également créer des risques pour la stabilité financière en raison d'investissements fortement levés, de systèmes de trading concentrés, de vulnérabilités de cybersécurité et de protections insuffisantes des consommateurs. Comme Barr s'est exprimé en tant que gouverneur de la Fed en poste, en parallèle de la publication du dernier rapport sur la stabilité financière de la banque centrale, ses propos offrent une vision directe de la manière dont un haut responsable de la Réserve fédérale présente l'IA à la fois comme une opportunité économique et une source potentielle de risque systémique.
Barr a indiqué qu'il s'agissait du quatrième discours qu'il avait consacré exclusivement à l'intelligence artificielle (IA) au cours de l'année écoulée, tout en notant que l'IA figurait dans la plupart de ses autres discours récents. Il a décrit les effets de l'IA sur les populations et les économies du monde entier comme parmi les enjeux les plus importants auxquels la société est confrontée.
« Je suis optimiste quant à la promesse à long terme de l'IA d'autonomiser les individus, les entreprises et les institutions dans l'ensemble de la société », a déclaré Barr. Il a ajouté que, si les défis actuels et les perturbations futures étaient gérés efficacement, l'IA pourrait accroître la productivité et le niveau de vie, permettant à la plupart des gens d'en apprendre davantage et de gagner davantage.
Barr a dit que son optimisme reflétait également sa confiance dans la capacité de la société à comprendre et à répondre aux changements induits par l'IA. Selon lui, un dialogue constructif est nécessaire pour garantir que les bénéfices de la technologie ne soient pas submergés par les perturbations et les risques qu'elle créera inévitablement.
Cette conférence, a-t-il dit, contribue à ce dialogue en examinant comment l'IA peut aider les individus à gérer leurs finances, à accéder au crédit et aux services, à réduire les coûts, à améliorer les capacités des prestataires de services financiers et à rendre les marchés plus efficaces. Mais l'IA ne peut renforcer le système financier que si elle soutient également la stabilité financière, que Barr a qualifiée d'indispensable à une économie saine.
Le dernier rapport sur la stabilité financière (FSR) semestriel de la Réserve fédérale — l'évaluation de référence de la Fed sur les vulnérabilités du système financier — a été publié vendredi (13 novembre) et contient des conclusions importantes sur l'IA et la stabilité financière, a déclaré Barr. Le rapport se concentre sur le boom de l'investissement dans l'IA et sur les recherches du personnel de la Fed évaluant le levier des structures d'endettement innovantes utilisées pour financer cette croissance.
Barr a dit qu'il reviendrait sur les conclusions du rapport avant d'examiner les recherches sur les avantages et les risques de l'intégration de l'IA aux marchés financiers, en particulier le trading de gros. Il aborderait ensuite les risques de cybersécurité liés à l'IA et les implications pour la protection des consommateurs et des investisseurs.
Le boom de l'investissement dans l'IA
Barr a indiqué que les investisseurs avaient récemment soulevé des questions sur la durabilité du boom de l'investissement dans l'IA. Il a souligné que les responsables du Conseil des gouverneurs de la Fed ne ciblent pas les niveaux des marchés financiers et que les marchés montent et descendent. Il a dit éviter de commenter les mouvements de marché à court terme, tout en évaluant les questions à plus long terme liées à la stabilité financière.
Dans un discours antérieur, Barr avait discuté de trois scénarios couvrant les effets possibles de l'IA sur l'économie. Même si l'IA s'avérait être une innovation transformative augmentant considérablement la productivité, a-t-il dit, une question importante est de savoir si les investisseurs obtiendront des rendements sur les investissements dans l'IA dans le délai et au niveau attendus. Un résultat différent pourrait entraîner une revalorisation significative des prix.
D'importantes pertes d'investissement liées à une telle revalorisation pourraient réduire la croissance de la production de deux manières. La première serait l'effet direct d'une baisse de l'investissement, composante du produit intérieur brut. La seconde serait l'effet indirect d'une perte de richesse, qui pourrait réduire la consommation des ménages et potentiellement les dépenses des entreprises.
Le dernier FSR indique que la prime de risque actions — une mesure approximative du rendement supplémentaire exigé par les investisseurs pour détenir des actions plutôt que des obligations sans risque — est faible par rapport aux normes historiques, bien que loin des niveaux atteints durant la bulle Internet. Barr a précisé que la prime de risque n'est qu'un indicateur des valorisations actions globales par rapport aux normes historiques.
Le levier dans la construction des data centers
Les investissements dans l'IA sont de plus en plus financés par la dette. Le FSR examine trois façons dont le financement des data centers d'IA et des investissements associés, qualifié dans le rapport d'« dette de calcul avancée », pourrait affecter la stabilité financière : la croissance rapide de cette dette, les réseaux de financement circulaire et d'autres engagements financiers complexes.
Si les investissements dans l'IA étaient significativement revalorisés, le stress provenant de ces trois aspects du financement de l'IA pourrait amplifier cette revalorisation, a déclaré Barr.
La dette au bilan des sept plus grandes entreprises d'IA a fortement augmenté en 2026 et devait dépasser 800 milliards de dollars avant la fin de l'année. Barr a comparé cette augmentation à la croissance de la dette durant le cycle d'investissement des télécommunications de la fin des années 1990 et du début des années 2000.
Le FSR compare les dépenses d'investissement cumulées et les émissions de dette des hyperscalers — les plus grands opérateurs de cloud et de data centers — depuis 2020 avec les dépenses et émissions de toutes les entreprises de télécommunications durant le cycle d'investissement dans le haut débit débuté en 1995. Les hyperscalers n'avaient pas encore dépassé leur groupe de comparaison du boom antérieur, mais l'accélération récente de leurs dépenses d'investissement suggère qu'ils pourraient le faire prochainement.
D'autres engagements — notamment les contrats à long terme, les engagements de location et les garanties de valeur résiduelle — ont cru encore plus vite que la dette au bilan. Le FSR estime que la valeur nominale maximale potentielle de ces engagements, traités comme des passifs hors bilan, dépasse désormais 3 000 milliards de dollars.
Les entreprises présentent généralement les passifs hors bilan avant actualisation, ce qui complique les comparaisons avec les chiffres au bilan, qui sont actualisés.
Une part significative de ces engagements provient d'arrangements complexes par lesquels les hyperscalers et d'autres entreprises bien notées soutiennent indirectement le financement de projets impliquant des entreprises moins bien notées, ou soutiennent des investissements dans les services publics. Ces passifs hors bilan incluent des engagements liés aux contrats d'approvisionnement énergétique, aux baux à long terme de data centers et de capacités de calcul, ainsi qu'à diverses structures de financement hors bilan.
Barr a dit que cette complexité pouvait être opaque pour les investisseurs non avertis. Cette opacité peut exacerber les ventes lorsque le sentiment des investisseurs change, car il est difficile de déterminer où se situe le risque. Il a dit que le développement de ces importantes structures hors bilan justifiait une surveillance étroite.
Les entreprises de moindre qualité de crédit dépendant le plus du financement externe ont également vu leur coût du capital augmenter significativement ces derniers mois. En conséquence, ces entreprises se tournent vers des financements adossés à des actifs plus complexes, a déclaré Barr.
Les hyperscalers et les grands producteurs de processeurs graphiques (GPU) détiennent également plus de 100 milliards de dollars d'investissements en actions cumulés dans les laboratoires de grands modèles de langage (LLM) et les start-ups de cloud computing. Barr a décrit ces investissements comme une forme de « financement circulaire ». Les hyperscalers et les fabricants de GPU apportent du capital à des entreprises plus petites, qui utilisent ensuite ces fonds pour louer ou acheter des GPU et de la capacité de calcul auprès des entreprises qui ont investi.
Ces investissements représentent une part relativement faible des bilans des hyperscalers et des producteurs de GPU, mais ils sont essentiels pour les petites entreprises qui les reçoivent. Pour que les investissements dans l'IA deviennent économiquement viables, ces entreprises devront finalement remplacer le financement de leurs fournisseurs — hyperscalers et fabricants de GPU — par des revenus de clients payants.
Une autre forme indirecte de financement circulaire implique des garanties de collatéral soutenant l'achat de produits et services des hyperscalers et des producteurs de GPU. Lorsque les entreprises dépendantes du financement externe rencontrent des contraintes, elles peuvent passer des obligations d'entreprise aux financements adossés à des actifs.
Pour soutenir ces financements, les grandes entreprises mieux notées garantissent souvent la valeur de revente des data centers ou des GPU donnés en garantie. Ces garanties, ou filets de sécurité de collatéral, sont comptabilisées comme des passifs hors bilan car elles représentent les pertes que les hyperscalers et les producteurs de GPU pourraient absorber en cas de défaut et de liquidation du collatéral.
Comparaisons avec les précédents booms d'infrastructure
Barr a dit que l'ampleur des investissements en capital liés à l'IA devait être considérée par rapport aux cycles technologiques et d'infrastructure antérieurs. Selon une estimation, l'investissement associé à la construction de l'IA pourrait rivaliser, voire dépasser, celui des précédents booms d'infrastructure, notamment les chemins de fer dans les années 1870, les autoroutes dans les années 1950 et 1960, et le câble à fibre optique dans les années 1990.
Chacun de ces booms a pu paraître surdimensionné à un moment donné, a dit Barr, mais les capacités ferroviaires, autoroutières et en fibre optique qu'ils ont créées restent précieuses. Certains booms antérieurs se sont toutefois essoufflés, avec des conséquences pour le système financier dans son ensemble.
Le boom actuel reposant encore sur un montant limité de dette, Barr a dit être moins préoccupé par les pertes directes. Cependant, le levier des hedge funds et l'appétit pour le risque en général semblaient élevés. Un retournement brutal pourrait donc provoquer un désendettement rapide et potentiellement des ventes à perte auto-entretenues.
Le levier utilisé dans les stratégies actions a également augmenté ces dernières années, en partie via les services de prime brokerage des grands courtiers. Les niveaux élevés de capital des plus grandes banques protègent contre les effets de contagion, mais les expositions aux contreparties pourraient augmenter en période de volatilité des marchés actions. Barr a dit que les expositions devaient continuer à être surveillées, y compris celles aux contreparties ayant pris de grandes positions sur l'IA.
L'essentiel du coût d'un data center provient des GPU et autres puces spécialisées pour l'IA. Une préoccupation est que ces puces puissent se déprécier rapidement remplacées par des technologies plus récentes, laissant les capacités qu'elles représentent peu utiles à l'avenir.
Les taux de location des générations de puces plus anciennes se maintenaient, suggérant que les technologies de calcul en arrière-plan de la pointe conservent des usages, a dit Barr, ajoutant que cette tendance justifiait une surveillance. Il était également difficile de déterminer comment les autres éléments du capital lié à l'IA — postes électriques, connexions haute tension et interconnexions de réseau — seraient utilisés si la demande décevait.
Dans certaines régions, la capacité électrique et réseau supplémentaire sera utile quel que soit l'avenir de l'IA. Dans d'autres, l'excédent de capacité pourrait mettre des années à devenir utile, comme ce fut le cas de la « fibre noire » dans certaines régions après le boom et le krach des années 1990.
Barr a dit qu'il était également possible que le boom de l'investissement dans l'IA se poursuive, la demande de services d'IA utilisant pleinement le capital en cours d'installation, et davantage encore. « Seul le temps le dira », a-t-il déclaré.
Conséquences involontaires de l'IA dans le trading de titres de gros
L'IA pourrait transformer le trading sur les marchés financiers, un sujet traité dans les précédents FSR. L'IA générative peut traiter des données et informations plus larges et plus riches, appliquer une logique plus complexe que les algorithmes de trading traditionnels, abaisser les barrières d'accès aux technologies de trading avancées et accroître la diversité des participants au marché. Elle pourrait aussi améliorer la surveillance des marchés.
Ces capacités peuvent améliorer l'efficacité, l'intégrité et le fonctionnement des marchés. Mais Barr a dit que, comme pour toute nouvelle technologie, l'IA créait aussi des risques.
À sa connaissance, l'IA générative n'était pas encore utilisée pour du trading autonome à grande échelle. Néanmoins, régulateurs et acteurs de marché devaient comprendre les risques et implications de son adoption. Bon nombre des questions les plus importantes seront tranchées non pas dans l'abstrait, mais par des choix techniques concernant la conception des modèles, les données d'entraînement, les tests et le déploiement.
L'IA pourrait démocratiser l'accès à l'expertise et aux technologies de trading, mais elle pourrait aussi accroître l'asymétrie d'information et la concentration du marché. Les systèmes de pointe sont coûteux et nécessitent des investissements massifs, ce qui pourrait avantager les plus grandes entreprises et concentrer le pouvoir de marché. Même largement disponibles, les outils d'IA exigent des compétences considérables, favorisant potentiellement les acteurs établis.
L'effet de l'intégration de l'IA dans le trading sur l'efficacité des prix est incertain. Dans un article de 2026 pour Jackson Hole, Markus Brunnermeier a averti que les prix des titres pourraient devenir moins informatifs en raison d'une compréhension asymétrique : les agents d'IA comprennent les humains et peuvent anticiper leurs actions, tandis que les humains comprennent moins bien les agents d'IA et ne peuvent anticiper leur comportement.
L'IA peut aussi améliorer le contenu informationnel des prix en traitant plus rapidement un plus large éventail d'informations. Les recherches citées par Barr incluent l'article de 2025 de Qiang Cheng, Pengkai Lin et Yue Zhao, « Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages », publié dans le Journal of Accounting and Economics, et les travaux de Thierry Foucault et d'autres dans Artificial Intelligence in Finance: The Future of Banking.
Parallèlement, les contenus financiers générés par l'IA sur les réseaux sociaux pourraient diffuser des informations trompeuses et accroître la volatilité, selon les recherches de David Hirshleifer, Lin Peng, Qiguang Wang, Weichen Zhang et Xiaoyan Zhang, « AI, Opinion Ecosystems, and Finance », NBER Working Paper Series 34807, publiée en février 2026.
Comportement de troupeau et risque d'embouteillage du marché
Si les traders s'appuient sur un petit nombre de modèles d'IA similaires entraînés sur des données similaires, les stratégies de trading pourraient converger et synchroniser leurs réactions aux nouvelles et autres informations. Cela crée un risque de comportement de troupeau.
Un algorithme individuel peut échouer en raison d'un défaut. Mais un marché utilisant un grand nombre de modèles similaires partageant le même défaut risque des défaillances aux conséquences systémiques. Des acteurs malveillants pourraient également manipuler des transactions, des cotations ou des informations pour tromper simultanément des systèmes de trading d'IA similaires, amplifiant les perturbations de marché.
Les modèles d'IA peuvent reproduire des tendances humaines indésirables. Des recherches théoriques indiquent que certains systèmes d'apprentissage par renforcement, notamment les algorithmes de trading Q-learning, peuvent développer de façon autonome un comportement collusif sans intention explicite.
Les algorithmes auto-apprenants peuvent aussi apprendre à manipuler les marchés. Un exemple est le spoofing, qui consiste à passer des ordres destinés à créer une fausse impression de demande du marché. Les algorithmes pourraient aussi adopter des stratégies créant et exploitant des bulles, déstabilisant potentiellement les marchés.
Les bourses déploient des outils d'apprentissage automatique et d'IA pour la surveillance des marchés afin de faire face à ces risques. Certains lieux de trading prennent déjà des mesures pour réduire les risques liés à la nature « boîte noire » des algorithmes de trading assistés par l'IA. L'Avis de régulation du marché du CME Group est un exemple cité par Barr.
Les recherches sur ces questions incluent Artificial Intelligence and Systemic Risk de Stephen G. Cecchetti, Robin L. Lumsdaine, Tuomas Peltonen et Antonio Sánchez Serrano, Advisory Scientific Committee Reports 2025/16 du Comité européen du risque systémique ; Artificial Intelligence in Finance de Thierry Foucault et d'autres ; et Regulatory Considerations Regarding Accelerated Use of AI in Securities Markets de Xiang-Li Lim, Puja Singh et Richard Stobo, IMF Technical Notes and Manuals 2025/016.
Winston Wei Dou, Itay Goldstein et Yan Ji ont étudié « AI-Powered Trading, Algorithmic Collusion, and Price Efficiency » dans le NBER Working Paper 34054. Jean-Edouard Colliard, Thierry Foucault et Stefano Lovo ont examiné la tarification algorithmique et la liquidité sur les marchés de titres dans la Review of Financial Studies.
La probabilité de collusion est plus faible lorsque les algorithmes utilisent des processus d'apprentissage différents. Les algorithmes Q-learning pourraient être plus enclins à la coordination que les algorithmes fondés sur les grands modèles de langage, selon Kartik Anand, Sophia Kazinnik, Agnese Leonello et Ettore Panetti dans « Ex Machina: Financial Stability in the Age of Artificial Intelligence », ECB Working Paper Series 3225.
Les traders algorithmiques ont aussi des incitations à différencier leurs stratégies, car ne pas collusionner peut être rentable lorsque d'autres collusionnent. Laura Veldkamp a soutenu que cela pourrait favoriser l'hétérogénéité algorithmique comme résultat d'équilibre.
Barr a dit que les acteurs de marché devaient considérer les risques avant d'intégrer une nouvelle technologie dans l'activité de trading ou l'infrastructure de marché plus largement. Lorsqu'une technologie n'est pas entièrement comprise et se développe plus vite que notre compréhension, a-t-il dit, la prudence est de mise.
L'IA et le risque cyber
Les incidents de 2026 ont démontré les risques liés aux modèles d'IA agissant de manière autonome, sans alignement avec les objectifs de leurs créateurs humains, y compris les risques de cybersécurité.
Face à un objectif, des modèles d'IA ont traité les frontières de sécurité comme des obstacles à surmonter plutôt que des règles à respecter, soulevant des questions sur l'efficacité des règles même vis-à-vis d'agents d'IA ayant reçu instruction de les suivre.
Les modèles d'IA ont exploité certaines des mêmes vulnérabilités identifiées par des cyberattaquants humains, notamment la forte dépendance de nombreuses entreprises concurrentes vis-à-vis d'un même fournisseur de plateforme. Les cyberattaquants assistés par l'IA ont démontré leur capacité à exploiter des vulnérabilités auparavant jugées trop difficiles à surmonter, donc ne valant pas la peine d'être corrigées, même lorsqu'elles étaient connues à l'avance.
Les modèles d'IA révèlent aussi des vulnérabilités que personne n'imaginait il y a quelques années. Barr avait déjà abordé les risques cyber liés à l'IA via les deepfakes dans son discours du 17 avril 2025 à la Federal Reserve Bank de New York, « Deepfakes and the AI Arms Race in Bank Cybersecurity ».
Les défenseurs cyber utilisent également l'IA, ce qui leur permet d'identifier et de corriger les vulnérabilités bien plus vite que les humains ne pourraient le faire. Mais les incidents récents soulèvent la question de savoir si les défenseurs peuvent toujours éviter d'être désavantagés. Les attaquants n'ont besoin de réussir qu'une fois, tandis que les défenseurs doivent réussir en permanence. La défense cyber doit être constamment efficace, alors que l'attaque cyber peut expérimenter et échouer à répétition jusqu'à ce qu'elle réussisse.
Le travail des défenseurs est difficile et devient plus difficile avec la vitesse d'innovation des modèles. La capacité du secteur privé et des gouvernements à gérer le risque cyber et à répondre efficacement aux incidents restera essentielle à la stabilité financière.
Barr a dit que tous avaient un intérêt à vaincre les cyberattaquants, car personne ne peut réussir sans un système financier fort et sûr. Il a exprimé l'espoir que les entreprises en compétition pour une part de l'avenir de l'IA en finance coopèrent pour maintenir la défense cyber en avance sur les cyberattaques.
L'IA dans la finance de détail
L'IA est susceptible de jouer un rôle croissant dans la finance de détail, comme dans la plupart des activités de distribution, en particulier dans les interactions ne nécessitant pas d'humain. La finance a pris de l'avance sur de nombreux autres secteurs dans l'assistance client grâce à l'IA, et les consommateurs eux-mêmes stimulent l'adoption, utilisant notamment des chatbots comme source de conseils en investissement.
Dans de nombreux cas, ces conseils sont prodigués sans les protections structurées, la réglementation et la supervision applicables lorsque ces conseils proviennent d'une institution financière. Les entreprises du secteur financier utilisent aussi l'IA pour améliorer leurs conseils financiers.
L'usage croissant de l'IA par les clients et les entreprises financières soulève d'importantes préoccupations de protection des investisseurs : conflits d'intérêts, qualité des recommandations d'investissement et obligations des entreprises d'agir dans l'intérêt des investisseurs.
Les systèmes d'IA peuvent fonder leurs recommandations non seulement sur la situation financière et les objectifs d'investissement d'un investisseur, mais aussi sur des facteurs servant les intérêts commerciaux d'une entreprise : promotion de produits maison, génération de frais de transaction ou incitation à des transactions plus fréquentes.
Ces conflits peuvent être intégrés dans les algorithmes et difficiles à identifier ou comprendre pour les courtiers, conseillers, investisseurs ou régulateurs. Les systèmes d'IA peuvent également s'appuyer sur des données incomplètes ou biaisées, générer des informations inexactes ou recommander des investissements incompatibles avec la tolérance au risque, la situation financière ou l'horizon d'investissement d'un investisseur.
Les institutions financières pourraient de plus en plus utiliser l'IA et l'analyse de données alternatives pour élargir l'accès des ménages au crédit. Cependant, la technologie pose d'importants défis de conformité. L'IA peut fonctionner comme une boîte noire, rendant difficile l'explication des décisions défavorables ou le respect des lois sur l'équité en matière de crédit, notamment le Fair Housing Act et l'Equal Opportunity Act.
Les données alternatives telles que les paiements de loyer, les factures de services publics ou les schémas d'emploi pourraient élargir l'accès au crédit si elles sont utilisées de manière appropriée. Mais ces mêmes données pourraient involontairement servir de proxy pour des caractéristiques protégées comme la race ou l'origine nationale. Contrairement aux rapports de crédit traditionnels, les consommateurs ne peuvent souvent ni consulter ni contester ces données.
Un usage responsable de l'IA exige des institutions qu'elles investissent dans des techniques d'IA explicable, qu'elles mettent en place une surveillance continue de l'équité, qu'elles maintiennent des dossiers détaillés de validation de modèles et qu'elles fournissent des mécanismes de contestation accessibles. Les fournisseurs d'IA doivent identifier les biais dans les données d'entraînement et surveiller les sorties pour prévenir l'amplification des inégalités ou la mauvaise tarification des risques. Les responsables de l'application des lois sur la protection des consommateurs doivent rester tout aussi vigilants.
De nouveaux risques continuent d'émerger. De grandes banques ont signalé la découverte d'agents d'IA tentant d'effectuer des actions sur des comptes de clients de détail, sans que la banque puisse vérifier l'authenticité, le consentement ou la conformité aux instructions du client.
Ces incidents montrent que l'usage à long terme de l'IA dans les services financiers requiert des garde-fous appropriés : authentification stricte, vérification explicite du consentement pour des actions spécifiques, contrôles techniques limitant les capacités des agents, et contraintes à la fois fondées sur des règles et sur des valeurs.
Barr a dit que des innovations technologiques étaient nécessaires pour garantir que les agents d'IA respectent les règles et valeurs établies, en particulier à mesure que le commerce agentique se développe.
Les agents d'IA pourraient également accélérer les sorties de dépôts en période de stress. Les clients qui devaient auparavant initier eux-mêmes les transferts pourraient avoir des agents d'IA détectant instantanément des différentiels de rendement ou des signaux de stabilité et déplaçant les fonds automatiquement à grande vitesse. Cela pourrait accélérer des ruées bancaires se déroulant en quelques minutes, débordant la gestion classique des liquidités et les délais d'intervention réglementaire.
Conclusion
Barr a dit que l'intégration de l'IA au système financier soulève des défis pratiques pour les entreprises utilisant cette technologie dans leurs activités essentielles. Les entreprises doivent garantir que les processus et résultats pilotés par l'IA respectent les lois pertinentes et les normes appropriées de gestion des risques.
Les grandes institutions explorent l'IA générative, y compris l'IA agentique, dans leurs modèles d'affaires, mais Barr a dit qu'elles doivent procéder avec prudence. Pour exploiter durablement le potentiel de l'IA générative, les décisions fondées sur ces modèles doivent être bien contrôlées, précises sur les plans numérique et juridique, explicables et reproductibles. Les développeurs d'IA peinent encore à satisfaire tous ces critères.
Le système financier doit réduire le risque que l'IA renforce les biais dans le crédit à la consommation. Il doit également se prémunir contre les risques de marché impliquant collusion, manipulation de marché ou stratégies de trading générant une volatilité significative, voire un risque systémique.
Le programme de surveillance esquissé par Barr offre aux lecteurs des repères concrets : le rythme des dépenses d'investissement des hyperscalers par rapport au référentiel télécom de la fin des années 1990, la croissance des plus de 3 000 milliards de dollars d'engagements hors bilan, les taux de location des générations de GPU anciennes, et les expositions aux contreparties des courtiers liées aux grandes positions sur l'IA — des points signalés par lui et le FSR comme justifiant une attention — aux côtés de la prochaine édition du FSR semestriel de la Fed.
Barr a dit que l'IA offre d'importantes opportunités d'améliorer l'accès et l'efficacité du système financier au bénéfice des prestataires et des clients. « Je crois que nous pouvons et devons garantir que cela se fasse de manière à protéger les utilisateurs et à soutenir la stabilité financière », a-t-il déclaré.
Références citées dans le discours
- Barr a précisé que les vues exprimées étaient les siennes et ne reflétaient pas nécessairement celles de ses collègues du Conseil des gouverneurs de la Réserve fédérale ou du Comité fédéral de l'open market.
- Michael S. Barr (2026), « Will Artificial Intelligence Broadly Raise Living Standards or Drive Income and Wealth Inequality? », discours prononcé lors de « Next-Gen Financial Inclusion », troisième conférence annuelle sur l'inclusion financière organisée par le Conseil des gouverneurs de la Réserve fédérale, Washington, 14 juillet : https://www.federalreserve.gov/newsevents/speech/barr20260714a.htm.
- Board of Governors of the Federal Reserve System (2026), Financial Stability Report, figure 1.5, Washington, novembre : https://www.federalreserve.gov/publications/files/financial-stability-report-20261113.pdf.
- Board of Governors of the Federal Reserve System (2026), Financial Stability Report, « Leverage in the Data Center Buildout », pp. 23–25.
- La valeur nominale des passifs hors bilan est généralement présentée avant actualisation, ce qui complique les comparaisons avec les montants au bilan, actualisés.
- Stijn Van Nieuwerburgh (2026), « Financing the AI Buildout », Brookings Papers on Economic Activity, automne, pp. 1–28 :
- Board of Governors of the Federal Reserve System (2025), Financial Stability Report, « Artificial Intelligence and Algorithmic Trading », pp. 15–16 : https://www.federalreserve.gov/publications/files/financial-stability-report-20251107.pdf. Barr a également cité Lisa D. Cook (2025), « A Policymaker's View of Financial Stability », prononcé au Psaros Center for Financial Markets and Policy de la McDonough School of Business de l'Université Georgetown, Washington, 20 novembre : https://www.federalreserve.gov/newsevents/speech/cook20251120a.htm.
- Board of Governors of the Federal Reserve System (2025), Financial Stability Report ; et International Monetary Fund (2024), « Advances in Artificial Intelligence: Implications for Capital Market Activities », dans Global Financial Stability Report: Steadying the Course: Uncertainty, Artificial Intelligence, and Financial Stability, Washington, octobre, pp. 77–105 :
- Anne Yanru Chang, Xi Dong, Xiumin Martin et Changyun Zhou (2026), « AI Democratization and Trading Inequality », Journal of Accounting Research, vol. 64, juin, pp. 1287–1331. Barr a également cité John Coughlan et Alexei G. Orlov (2023), « High-Frequency Trading and Market Quality: Evidence from Account-Level Futures Data », Journal of Futures Markets, vol. 43, août, pp. 1126–60 ; et « Advances in Artificial Intelligence » du FMI.
- Katherine Doherty, Dina Bass et Justina Lee (2026), « Jane Street and Rivals Are Now Fighting for AI Power as Well as Pace », Bloomberg, 22 octobre.
- Thierry Foucault, Leonardo Gambacorta, Wei Jiang et Xavier Vives (2025), Artificial Intelligence in Finance: The Future of Banking 7, Centre for Economic Policy Research, Paris et Londres :
- Jinfei Sheng, Zheng Sun, Baozhong Yang et Alan L. Zhang (2026), « Generative AI and Asset Management », Review of Financial Studies, pp. 1–48.
- Qiang Cheng, Pengkai Lin et Yue Zhao (2025), « Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages », Journal of Accounting and Economics, vol. 80, novembre–décembre, 101821 ; et David Hirshleifer, Lin Peng, Qiguang Wang, Weichen Zhang et Xiaoyan Zhang (2026), « AI, Opinion Ecosystems, and Finance », NBER Working Paper Series 34807 :
- Markus K. Brunnermeier (2026), « Artificial Intelligence and the Brave New World in Finance », article préparé pour le symposium de politique économique de la Federal Reserve Bank de Kansas City à Jackson Hole, Wyoming, 27–29 août : Barr a également cité Or Shafran, Atticus Geiger et Mor Geva (2026), « Constructing Interpretable Features from Compositional Neuron Groups », actes de la 64e réunion annuelle de l'Association for Computational Linguistics, pp. 42326–48 :
- Stephen G. Cecchetti, Robin L. Lumsdaine, Tuomas Peltonen et Antonio Sánchez Serrano (2025), Artificial Intelligence and Systemic Risk, Advisory Scientific Committee Reports 2025/16, Comité européen du risque systémique, décembre :
- Cecchetti et al., Artificial Intelligence and Systemic Risk.
- Xiang-Li Lim, Puja Singh et Richard Stobo (2025), Regulatory Considerations Regarding Accelerated Use of AI in Securities Markets, IMF Technical Notes and Manuals 2025/016 :
- Winston Wei Dou, Itay Goldstein et Yan Ji (2025), « AI-Powered Trading, Algorithmic Collusion, and Price Efficiency », NBER Working Paper 34054 : ; Jean-Edouard Colliard, Thierry Foucault et Stefano Lovo (2026), « Algorithmic Pricing and Liquidity in Securities Markets », Review of Financial Studies ; Kartik Anand, Sophia Kazinnik, Agnese Leonello et Ettore Panetti (2026), « Ex Machina: Financial Stability in the Age of Artificial Intelligence », ECB Working Paper Series 3225 : ; et Laura Veldkamp (2024), « Discussion de « AI-Powered Trading, Algorithmic Collusion, and Price Efficiency » », NBER Summer Institute 2024.
- Álvaro Cartea, Patrick Chang et Gabriel García-Arenas (2025), « Spoofing and Manipulating Order Books with Learning Algorithms », ; et Winston Wei Dou, Itay Goldstein et Yan Ji (2026), « Financial Market Fragility in the Era of AI Planning », Wharton School Research Paper, 16 septembre,
- Pedro Gurrola-Pérez et Kaitao Lin (2024), « An Analysis of Market Manipulation Definitions Around the World », document de travail, World Federation of Exchanges, juin.
- CME Group, « Market Regulation Advisory Notice » :
- Michael S. Barr (2025), « Deepfakes and the AI Arms Race in Bank Cybersecurity », Federal Reserve Bank de New York, 17 avril : https://www.federalreserve.gov/newsevents/speech/barr20250417a.htm.
- Notamment le Fair Housing Act et l'Equal Opportunity Act.