Market & Match
Market & Match #7: de l’IA sur les courts et dans les banques, la valeur véritable se joue dans les usages
Dans l’edition d’aujourd’hui de Market & Match, l’IA s’impose du court de tennis aux banques, des marchés financiers au travail, avec un même constat: la valeur se crée surtout quand elle s’ancre dans des usages concrets, des workflows réinventés et une gouvernance solide.
- Infosys et Alcaraz misent sur l’IA terrain
- PwC montre une valeur IA très concentrée
- Oracle pousse des agents IA dans la banque
- Les VLM peinent encore sur marchés latéraux
- L’IA générative accompagne emplois, salaires et productivité
1. Infosys s’allie à Alcaraz pour l’IA tennis
Infosys s’associe à Carlos Alcaraz dans un partenariat mondial qui fera de l’IA un outil de préparation, d’analyse et de stratégie au cœur du tennis de très haut niveau.
L’essentiel : Infosys a annoncé un partenariat mondial pluriannuel avec Carlos Alcaraz, nommé ambassadeur global de la marque, afin de développer avec Infosys Topaz des outils d’analyse de match alimentés par l’IA et une application de performance personnalisée pour la préparation des rencontres et la stratégie en match. L’initiative s’inscrit dans la continuité de plus de dix ans d’investissements d’Infosys dans la technologie appliquée au tennis et inclut aussi des projets à impact social avec la fondation de Carlos Alcaraz.
En pratique : Concrètement, le partenariat va au-delà d’un accord d’image: Infosys travaillera avec Alcaraz et son équipe pour construire des outils d’analyse de match et une application personnalisée destinée à améliorer la préparation et les ajustements tactiques en cours de match. Carlos Alcaraz a indiqué vouloir s’appuyer sur la donnée et l’IA pour mieux comprendre son jeu et élever son niveau de performance. Pour Infosys, cet usage visible de Topaz sert à montrer comment ses capacités d’IA générative et agentique peuvent être déployées dans un environnement d’exigence extrême. L’accord s’étend aussi à des initiatives communes de « tech-for-good » via la Carlos Alcaraz Foundation.
Décryptage : Dans le contexte de marché, cette annonce s’insère dans une stratégie plus large d’Infosys visant à associer son positionnement d’entreprise « AI-first » à des cas d’usage concrets et à forte visibilité. The Economic Times souligne que le groupe a déjà construit, au fil des années, des produits numériques pour des organisations comme l’ATP, l’Australian Open et Roland-Garros, ce qui montre que l’opération avec Alcaraz n’est pas un coup isolé mais une extension d’une présence durable dans la couche data, performance et engagement fan du tennis. Moneycontrol ajoute qu’Infosys présente ce partenariat comme une démonstration d’IA appliquée au sport de très haut niveau, en cohérence avec sa stratégie plus large. Plus largement, les partenariats sportifs deviennent un terrain de démonstration pour les fournisseurs d’IA d’entreprise, qui cherchent des usages différenciants au-delà de l’automatisation des fonctions de back-office.
L’enjeu : Les gagnants potentiels sont d’abord Infosys, qui renforce la crédibilité commerciale de Topaz grâce à un cas d’usage premium, et Carlos Alcaraz, qui obtient un accès privilégié à des outils de préparation et d’analyse sur mesure. Le tennis professionnel peut aussi y gagner si ces innovations nourrissent à terme la plateforme tennis d’Infosys et étendent des insights plus avancés aux joueurs, entraîneurs et fans. Les perdants potentiels sont les concurrents technologiques moins installés dans l’écosystème du tennis, car les collaborations avec des athlètes d’élite offrent à Infosys des données propriétaires et une légitimité difficiles à reproduire. L’enjeu central est donc double: transformer un partenariat sportif en vitrine crédible pour l’IA d’entreprise, tout en prouvant que ces outils créent un avantage réel sur le terrain et dans l’expérience globale du sport.
Verdict : Le partenariat entre Infosys et Carlos Alcaraz est un coup stratégique intelligent, parce qu’il transforme l’IA d’un slogan corporate en avantage compétitif tangible dans l’un des environnements les plus exigeants du sport mondial. Mais sa vraie valeur se jouera sur la preuve: si ces outils améliorent réellement la prise de décision et la performance sans réduire le tennis à une simple guerre d’algorithmes, Infosys aura trouvé bien plus qu’un ambassadeur — une démonstration crédible de ce que l’IA appliquée peut changer dans l’économie du sport.
Sources :
2. PwC: 20% des entreprises captent l’IA
Selon PwC, une poignée d’entreprises transforme déjà l’IA en moteur de croissance et de décisions automatisées, tandis que la majorité reste coincée dans des expérimentations sans rendement réel.
L’essentiel : L’étude 2026 de PwC conclut qu’une minorité d’entreprises capte l’essentiel de la valeur économique de l’IA: 20% des organisations concentrent 74% des gains, tandis que la majorité reste bloquée au stade des pilotes. Selon PwC, les leaders ne se contentent pas d’ajouter des outils d’IA: ils s’en servent pour générer de la croissance, repenser leur modèle d’affaires et automatiser davantage de décisions avec des garde-fous de gouvernance.
En pratique : Dans les faits, l’étude montre que les entreprises qui obtiennent les meilleurs retours financiers utilisent l’IA comme moteur de réinvention plutôt que comme simple levier de productivité. Elles sont deux à trois fois plus susceptibles d’exploiter l’IA pour identifier de nouvelles opportunités de croissance et presque deux fois plus susceptibles de refondre les workflows autour de l’IA. PwC indique aussi qu’elles augmentent bien davantage le nombre de décisions prises sans intervention humaine, tout en étant plus avancées sur les cadres de Responsible AI et les instances de gouvernance transversales. L’Irish Examiner reprend cette lecture en soulignant que seule une minorité transforme réellement l’activité IA en rendement financier mesurable.
Décryptage : Le contexte de marché suggère que cette concentration des gains n’est pas accidentelle, mais liée à des avantages structurels déjà présents dans l’économie. Le Wall Street Journal rapporte que les entreprises qui enregistrent des retours significatifs disposent souvent de données propriétaires, d’une base logicielle installée importante, de capacités d’intégration et du pouvoir de redessiner les processus plutôt que de lancer des expérimentations isolées. Cela aide à expliquer pourquoi l’accès aux modèles ne suffit pas: la préparation des données, la gouvernance et l’adoption par les salariés restent des goulets d’étranglement. Dans ce cadre, les résultats de PwC s’inscrivent dans une dynamique plus large où l’IA tend à amplifier les avantages d’échelle et à renforcer une logique de marché de type winner-take-most. PwC ajoute que la capacité à capter les opportunités de croissance issues de la convergence sectorielle est le facteur le plus déterminant des performances financières liées à l’IA, devant les seuls gains d’efficacité.
L’enjeu : L’enjeu concret est un décrochage croissant entre les entreprises qui industrialisent l’IA et celles qui accumulent des pilotes sans impact financier démontré. Les gagnants potentiels sont les groupes disposant déjà d’actifs de données solides, d’équipes capables de transformer les workflows et de mécanismes de confiance à grande échelle; les perdants risquent d’être les entreprises moins matures sur la donnée, la gouvernance et l’adoption interne. Pour les directions générales, le message est qu’un déploiement centré uniquement sur la réduction des coûts pourrait laisser passer les usages les plus créateurs de valeur. Sans changement d’approche, PwC estime que l’écart devrait encore se creuser à mesure que les leaders apprennent plus vite, étendent les cas d’usage validés et automatisent les décisions de manière plus sûre à grande échelle.
Verdict : L’étude de PwC confirme une vérité dérangeante: l’IA ne démocratise pas spontanément la création de valeur, elle récompense surtout les entreprises déjà capables de transformer leurs données, leurs processus et leur gouvernance en avantage stratégique. Le vrai risque pour les retardataires n’est plus de manquer une mode technologique, mais d’entrer dans un marché où l’IA creuse durablement un fossé de type winner-take-most entre ceux qui réinventent leur modèle d’affaires et ceux qui s’enlisent dans des pilotes sans rendement.
Sources :
3. Oracle déploie des agents IA pour banques
Oracle étend l’IA agentique à la banque d’entreprise avec des agents conçus pour automatiser crédit, trésorerie et trade finance sous supervision humaine, misant sur les workflows critiques pour imposer sa plateforme.
L’essentiel : Oracle Financial Services étend sa plateforme d’IA agentique à la banque d’entreprise avec des applications enrichies par l’IA et des agents préconfigurés pour la trésorerie, le trade finance, le crédit et les prêts. L’offre vise à automatiser des processus critiques, accélérer la prise de décision et faire passer les banques de flux manuels fragmentés à un système unifié, temps réel et piloté par les données, tout en maintenant une supervision humaine et une gouvernance de l’IA.
En pratique : Concrètement, Oracle introduit des agents capables d’extraire des données de contrats de prêts longs et complexes, de structurer des données financières, de valider les informations, de surveiller des sources d’actualité externes pour détecter des signaux de risque, puis de générer une première version exploitable d’un mémo de crédit. Côté trade et supply chain finance, la plateforme peut aussi valider des dossiers de garantie bancaire, repérer les clauses non standard et configurer des programmes de financement de chaîne d’approvisionnement à partir de contrats commerciaux. Oracle précise que les banquiers restent dans une logique de human-in-the-loop, avec revue des anomalies et approbation finale. Stock Titan ajoute qu’Oracle prévoit de mettre à disposition des centaines d’agents bancaires corporate et retail dans les 12 prochains mois.
Décryptage : Cette annonce s’inscrit dans un mouvement plus large du secteur bancaire, où les fournisseurs technologiques passent des pilotes d’IA générative génériques à des agents intégrés à des workflows précis comme le crédit, la conformité, le servicing ou la trésorerie. Le contexte de marché fourni par American Banker souligne que la bataille concurrentielle se joue surtout à l’intérieur des systèmes cœur de banque et des processus réglementés, là où des acteurs établis comme Oracle, FIS, Fiserv, Temenos et des partenaires cloud peuvent distribuer l’IA via des logiciels déjà utilisés par les banques. Cela éclaire la stratégie d’Oracle: des agents préconstruits servent à renforcer la pertinence de sa plateforme et à capter les budgets d’automatisation avant que des startups spécialisées ne s’imposent. Le même contexte rappelle toutefois que la qualité des données, la gouvernance des modèles et l’explicabilité restent des freins majeurs à une mise en production rapide à grande échelle. Du côté des marchés, Stock Titan note une réaction positive de l’action Oracle le jour de l’annonce, signe que les investisseurs ont vu dans cette extension un cas d’usage crédible de l’IA appliquée à des workflows critiques.
L’enjeu : Les gagnants potentiels sont Oracle, qui peut renforcer son ancrage dans les logiciels bancaires stratégiques, et les banques clientes, qui peuvent réduire le travail manuel, accélérer le traitement des prêts et standardiser davantage les contrôles sur des opérations sensibles. Les banquiers ne disparaissent pas du processus, mais leur rôle se déplace vers la supervision, la validation et la gestion des exceptions, ce qui peut améliorer la productivité sans supprimer l’exigence de responsabilité. Les perdants potentiels sont les fournisseurs d’outils d’IA isolés qui n’ont pas accès aux systèmes centraux des banques, ainsi que les établissements qui tardent à moderniser leurs données et leur gouvernance. L’enjeu central est de savoir si Oracle peut transformer cette feuille de route de centaines d’agents en adoption réelle et en gains mesurables dans un environnement où conformité, explicabilité et confiance conditionnent chaque déploiement.
Verdict : Oracle a raison de parier que la prochaine vraie vague de l’IA bancaire ne se jouera pas dans des démonstrations générales, mais dans l’automatisation de workflows réglementés où la vitesse, la traçabilité et la supervision humaine créent une valeur immédiate. Mais ce pari ne vaudra que si les banques prouvent que ces agents améliorent réellement le crédit, la trésorerie et le trade finance sans fragiliser l’explicabilité ni la responsabilité, car dans la finance, une IA puissante sans gouvernance n’est pas une innovation, c’est un risque systémique.
Sources :
4. Les VLM peinent à lire les chandeliers
Une nouvelle étude montre que les modèles vision-langage savent encore mal lire les graphiques en chandeliers là où les marchés passent le plus clair de leur temps: dans les phases latérales et ambiguës.
L’essentiel : Ce papier arXiv propose un nouveau benchmark multi-échelle pour tester si les modèles vision-langage lisent réellement les graphiques en chandeliers, à partir de paires d’images daily/weekly sur des actions du HS300 et du S&P 500 entre 2015 et 2025. Les résultats montrent que la plupart des VLM performent surtout dans des tendances haussières ou baissières persistantes, mais restent faibles dans les marchés latéraux plus ordinaires, avec des biais de prédiction marqués et une faible sensibilité à l’horizon de prévision demandé.
En pratique : En pratique, l’étude isole l’apport du visuel en construisant un dataset centré sur des chandeliers comme entrée principale, plutôt que sur des jeux de données multimodaux où le texte et les tableaux brouillent l’attribution de performance. Les auteurs génèrent 193 524 échantillons de chandeliers à partir des constituants du HS300 et du S&P 500, puis évaluent plusieurs VLM commerciaux contre une base XGBoost. Le protocole combine matrices de confusion, IC et Rank IC pour mesurer à la fois la direction et la qualité de classement des prévisions. Les auteurs concluent que certains modèles montrent un potentiel ciblé — notamment Claude-sonnet-4-5(thinking) sur la direction et le classement, et Gemini2.5-pro sur le S&P 500 pour l’IC et le Rank IC moyens — mais que les VLM actuels ressemblent davantage à des aides au signal de court terme qu’à des systèmes robustes de prévision de long horizon.
Décryptage : Le contexte de marché va dans le même sens: l’intérêt pour l’IA multimodale en finance s’étend de l’assistance textuelle vers la lecture de graphiques, l’analyse de documents et la génération de signaux, mais les exigences de fiabilité restent élevées. Le contexte fourni par Risk.net souligne que les gérants et les équipes risque restent prudents, car des sorties visuellement convaincantes peuvent échouer lorsque les régimes de marché changent, que les données deviennent plus bruyantes ou que surviennent des cas limites. C’est précisément ce que ce benchmark cherche à tester en conditions plus réalistes, en vérifiant si les modèles extraient une information de trading utile à partir des graphiques ou s’ils réussissent surtout dans des conditions simplifiées. Le papier montre d’ailleurs que 68,1% des jours du jeu de données relèvent d’un marché latéral, soit le régime le plus fréquent, et c’est justement là que les performances restent faibles. Dans ce cadre, la demande croissante de transparence sur les benchmarks, d’explicabilité et de stress tests apparaît cohérente avec les limites empiriques mises en évidence par les auteurs.
L’enjeu : L’enjeu est concret pour les fonds, fintechs et équipes quantitatives qui explorent les VLM pour transformer des graphiques en signaux exploitables. Les gagnants potentiels sont les chercheurs et équipes produit capables de bâtir des outils d’aide à la décision de court terme, bien bornés, testés sur plusieurs régimes et utilisés avec supervision, plutôt que vendus comme moteurs autonomes de prévision. Les perdants potentiels sont les acteurs qui confondraient bonne lecture apparente des chandeliers et capacité robuste de prévision en production, surtout dans les marchés latéraux et changeants. Pour le marché, ce travail renforce l’idée qu’avant tout déploiement réel, les modèles multimodaux financiers devront prouver non seulement leur performance moyenne, mais aussi leur stabilité, leur calibration et leur comportement sous stress.
Verdict : Cette étude rend un service salutaire au marché: elle rappelle que lire un graphique de manière convaincante n’est pas prédire un marché, et que les VLM restent aujourd’hui fragiles précisément là où la réalité boursière est la plus fréquente, dans les phases latérales et ambiguës. Le bon usage de ces modèles n’est donc pas de les vendre comme oracles de trading, mais de les cantonner à des aides tactiques étroitement testées, car en finance, une IA impressionnante dans les tendances évidentes peut devenir dangereuse dès que le bruit remplace la direction.
Sources :
5. L’IA générative associée à plus d’emplois ABŞ
Selon une nouvelle étude, les secteurs américains les plus exposés à l’IA générative ont cumulé depuis 2017 des gains de productivité, davantage d’emplois et des salaires en hausse, à rebours du scénario d’une destruction mécanique du travail.
L’essentiel : Une nouvelle recherche de Christos Makridis et Andrew Johnston conclut que, entre 2017 et 2024, les secteurs américains les plus exposés à l’IA générative n’ont pas seulement enregistré des gains de productivité, mais aussi davantage d’emplois et une croissance salariale plus forte. En 2024, un niveau d’exposition à l’IA supérieur d’un écart-type était associé à environ 10% de productivité en plus, 3,9% d’emplois en plus et 4,8% de croissance salariale supplémentaire par rapport à des secteurs comparables dans le même État.
En pratique : L’étude mesure l’exposition à l’IA à partir des tâches professionnelles dominées par le langage, le code ou le traitement de données, puis la compare aux trajectoires d’emploi, de salaires et de production. Les résultats suggèrent que, lorsque l’IA complète le travail humain — par exemple dans le marketing, l’écriture ou l’analyse financière — l’emploi progresse, avec une hausse d’environ 3,6% par écart-type d’exposition. À l’inverse, dans les fonctions où l’IA peut agir de manière plus autonome, les auteurs ne trouvent pas de hausse significative de l’emploi, et la progression salariale y est plus lente. The Conversation souligne aussi que les gains ont commencé dès 2021, portés par des outils d’entreprise déjà intégrés aux workflows, comme GitHub Copilot, Jasper et des applications métier reposant sur GPT-3.
Décryptage : Le cadre plus large est celui d’un marché du travail où les effets de l’IA ne se répartissent pas de manière uniforme. Le contexte fourni par le FMI indique que les résultats divergent selon les pays, les secteurs et les entreprises, en fonction de l’infrastructure numérique, de la requalification des travailleurs, de la qualité du management et de l’équilibre entre augmentation des capacités humaines et substitution du travail. Cela rejoint directement le papier: les effets positifs apparaissent surtout là où les entreprises utilisent l’IA pour accroître la production et réorganiser les tâches, plutôt que pour supprimer du travail. The Conversation ajoute que les bénéfices observés étaient concentrés dans les États dotés de marchés du travail plus efficients, ce qui renforce l’idée que les institutions locales comptent autant que la technologie elle-même. Phys.org met en avant ce point dans le débat public sur l’emploi: le résultat n’est pas mécaniquement la destruction de postes, mais dépend de la manière dont l’IA est déployée et du degré de confiance créé dans les organisations.
L’enjeu : Les gagnants potentiels sont les entreprises capables d’utiliser l’IA comme outil d’augmentation de la productivité, les salariés dont les tâches peuvent être enrichies plutôt qu’automatisées, et les régions où les marchés du travail permettent une réallocation rapide des compétences. Les perdants potentiels sont les travailleurs dans des fonctions plus standardisées et facilement automatisables, surtout si les entreprises privilégient la substitution au redécoupage des tâches. Pour les dirigeants et les pouvoirs publics, l’enjeu est donc moins de savoir si l’IA supprime des tâches que de savoir si l’économie peut transformer ce gain d’efficacité en nouvelle demande, nouveaux rôles et salaires plus élevés. Les auteurs insistent aussi sur un levier très concret: sans stratégie claire, confiance managériale et sécurité psychologique pour expérimenter, l’adoption de l’IA reste plus faible et ses bénéfices économiques risquent de se concentrer chez un nombre réduit d’acteurs.
Verdict : Cette étude affaiblit le récit paresseux selon lequel l’IA générative détruit mécaniquement l’emploi: lorsqu’elle est déployée pour augmenter le travail humain plutôt que le remplacer, elle peut simultanément doper productivité, embauches et salaires. Mais le message politique et économique est plus exigeant qu’optimiste: sans marchés du travail fluides, requalification et stratégies d’entreprise centrées sur la complémentarité, les gains de l’IA profiteront surtout à quelques secteurs et laisseront les fonctions automatisables absorber le coût de la transition.
Sources :
