OpenAI a annoncé le 10 septembre le lancement de ChatGPT for Financial Services, une déclinaison sectorielle de son assistant destinée aux banques, aux gestionnaires d'actifs et aux firmes de placement privé. Selon CNBC, qui a couvert l'annonce, l'outil vise explicitement les tâches à forte intensité de main-d'œuvre : la recherche documentaire, la construction de modèles financiers et la préparation de pitchbooks — soit, très précisément, la définition de tâches d'un analyste junior en services bancaires d'investissement. Channel NewsAsia a relayé la même annonce, en insistant sur les partenariats de données financières qui accompagnent le produit.
Ce n'est pas une nouvelle abstraite pour Montréal. C'est une nouvelle qui touche le point d'entrée de tout un secteur d'emploi.
Ce que le produit fait réellement
OpenAI ne vend pas ici un modèle nouveau, mais un emballage : un environnement de travail où ChatGPT est branché sur des jeux de données financières sous licence, sur les documents internes d'une firme et sur des connecteurs vers les systèmes d'entreprise. La logique s'inscrit dans une série d'annonces convergentes de l'entreprise : dans la même période, OpenAI a présenté un « agent Données » dans ChatGPT Work, capable de se connecter aux données d'une organisation, d'en extraire des constats et de générer des tableaux de bord interactifs à partir de requêtes en langage naturel.
Autrement dit, la promesse n'est plus « rédige-moi un paragraphe », mais « prends les états financiers trimestriels de ces douze comparables, construis-moi la table de multiples, et sors-moi les vingt pages de présentation ». C'est là que le bât blesse pour un métier dont la valeur ajoutée initiale a longtemps été la capacité à faire ce travail vite, proprement et sans erreur de formule.
Il faut toutefois nuancer la promesse commerciale. Les mêmes semaines ont vu circuler des rappels sur la fragilité des systèmes d'IA avancés : Campus Technology rapportait qu'OpenAI classait son modèle GPT-6 Astra au seuil « critique » de capacité en cybersécurité selon son propre cadre de préparation, et Anthropic a publié des travaux sur des agents autonomes dérivant de leur mandat — TechCrunch en a tiré la scène des agents qui butent sur les CAPTCHA. Le chercheur Nicolas Papernot, cité par TechXplore, plaide de son côté pour des tests indépendants de ces modèles avant leur déploiement. Ces éléments ne relèvent pas du même dossier que la finance, mais ils dessinent le climat dans lequel un chef de la conformité doit décider s'il branche un modèle sur des données de clients.
L'écart entre le démo et le plancher de travail
À Montréal comme à Toronto, il existe une distance considérable entre une démonstration réussie et un déploiement autorisé. Le secteur financier canadien est encadré par une architecture réglementaire qui ne s'accommode pas des zones grises.
Au Québec, l'Autorité des marchés financiers encadre la distribution de produits et services financiers, et les gestionnaires de portefeuille inscrits demeurent responsables des recommandations transmises aux clients, peu importe l'outil utilisé pour les produire. Du côté fédéral, le Bureau du surintendant des institutions financières a publié une ligne directrice sur la gestion du risque lié aux modèles qui exige, pour les institutions sous sa supervision, une gouvernance documentée : validation indépendante, inventaire des modèles, traçabilité des données d'entrée, tests de performance. Un modèle de langage propriétaire, dont les poids et les données d'entraînement ne sont pas auditables par le client, s'inscrit mal dans ce cadre sans couches de contrôle supplémentaires.
S'ajoutent les Autorités canadiennes en valeurs mobilières, qui ont diffusé des avis sur l'utilisation de systèmes d'intelligence artificielle par les participants au marché, en rappelant que les obligations existantes — connaissance du client, convenance, tenue de dossiers, supervision — s'appliquent intégralement. Et il y a la question de l'hébergement : la Loi sur la protection des renseignements personnels dans le secteur privé du Québec, révisée par la loi 25, impose une évaluation des facteurs relatifs à la vie privée avant toute communication de renseignements personnels hors du Québec. Une firme montréalaise qui envoie des données de clients vers des serveurs américains doit documenter cette évaluation. Ce n'est pas interdit; c'est de la paperasse, du temps et du risque juridique.
Résultat probable à court terme : l'adoption se fera d'abord là où les données sont publiques ou anonymisées — analyse de comparables à partir de documents déposés, résumés de transcriptions de conférences trimestrielles, veille sectorielle, mise en forme de présentations. C'est déjà beaucoup. C'est exactement le contenu du carnet de tâches d'un analyste de première année.
Montréal : combien de personnes, quel type d'emplois
La place financière montréalaise n'est pas Wall Street, et cette différence compte dans les deux sens. Finance Montréal, la grappe financière du Québec, chiffre le secteur financier québécois à environ 150 000 emplois directs, dont la grande majorité dans la région métropolitaine. Ce total englobe l'assurance, les caisses, les banques, la gestion d'actifs, les fonds de retraite, la technologie financière et les services professionnels connexes.
Montréal a une particularité : elle est moins une place de banque d'investissement qu'une place de gestion d'actifs institutionnels et de centres d'opérations. La Caisse de dépôt et placement du Québec, Investissements PSP, la Banque Nationale, Desjardins, Fiera Capital, Ivanhoé Cambridge, sans compter les centres de services partagés des grandes banques et assureurs canadiens. Ces organisations emploient des milliers de personnes dans des fonctions d'analyse, de production de rapports, de soutien aux opérations et de préparation de matériel décisionnel. Ce sont des emplois de bureau, structurés, documentés — donc automatisables par étapes.
Le Fonds monétaire international, dans son analyse de l'exposition des emplois à l'IA générative, classe les économies avancées parmi les plus exposées, avec environ 60 % des emplois touchés, dont une part significative où l'IA agit en substitution plutôt qu'en complément. Les fonctions financières de bureau figurent systématiquement en haut de ces classements. Le Forum économique mondial, dans ses rapports sur l'avenir des emplois, note la même chose : les postes de commis, de teneurs de dossiers et d'analystes de données de premier niveau reculent, pendant que les postes exigeant du jugement, de la relation client et de la supervision technique progressent.
Le vrai problème : on ferme l'école
Voici l'angle mort du discours sur la productivité. Le travail d'analyste junior en finance n'a jamais eu pour seule fonction de produire des livrables. Il avait pour fonction de former des gens.
On apprend le métier en montant soi-même le modèle, en se faisant corriger, en découvrant pourquoi une hypothèse de croissance de 12 % ne passe pas le test du comité de placement. On apprend en refaisant trois fois une page de pitchbook parce que la logique de l'histoire ne tenait pas. Ce passage obligé est laborieux, mal payé en heures, et il constitue le mécanisme par lequel un secteur reproduit son expertise. Si l'outil produit le modèle du premier coup, la firme économise des heures — et perd le dispositif d'apprentissage qui fabriquait ses directeurs dans dix ans.
La question devient donc : qui va valider la sortie du modèle dans une décennie, si personne n'a passé les années de formation manuelle qui donnent le réflexe de repérer une erreur? La supervision d'un système automatisé exige souvent plus d'expertise que l'exécution manuelle, pas moins. Un analyste chevronné qui relit une table de multiples générée par IA repère l'anomalie en quinze secondes. Un analyste qui n'a jamais construit de table de multiples ne la repère pas du tout.
Certaines organisations tentent de répondre à cela en réinventant les programmes de recrues : moins de production, plus de critique de production, plus de rotation, plus de temps auprès des clients. Cela suppose que les firmes acceptent de payer des juniors pour apprendre plutôt que pour produire — un renversement du modèle économique de l'échelon d'entrée.
Ce qu'il faut surveiller au Québec
Trois choses, concrètement.
D'abord, les décisions d'hébergement. Si les grandes institutions québécoises exigent des instances de données en sol canadien, cela ralentira l'adoption et créera une demande pour des déploiements souverains — un créneau où l'écosystème montréalais, avec Mila et ses laboratoires industriels, a une carte à jouer.
Ensuite, la position de l'AMF et des ACVM. Un cadre clair, même exigeant, vaut mieux qu'un flou qui pousse les firmes soit à la paralysie, soit à l'usage clandestin par les employés.
Enfin, les chiffres d'embauche. Le meilleur indicateur ne sera pas le nombre de licences ChatGPT vendues, mais le nombre de postes d'analystes de première année affichés à Montréal l'automne prochain. C'est là que se lira la vraie réponse du marché.