La société recrute des abandons bancaires pour rejoindre un projet secret appelé Projet Mercury. Qu'est-ce que cela signifie pour l'avenir de Wall Street ?
Photo by Nicolas Economou/NurPhoto via Getty Images
Le plus récent emploi à Wall Street n'implique ni les matinées tôt ni les nuits tardives, ni même Wall Street elle-même. Il est entièrement à distance, payé 150 dollars de l'heure, et consiste à enseigner à l'IA comment effectuer le travail des analystes en banque d'investissement.
C'est le principe du projet Mercury, un effort secret d'OpenAI pour automatiser le travail fastidieux de la finance généralement effectué par de vrais analystes en banque d'investissement. Selon Bloomberg, OpenAI a engagé plus de 100 anciens banquiers de JP Morgan, Morgan Stanley $MS, Goldman Sachs $GS et d'autres entreprises similaires pour former ses modèles à effectuer des analyses de flux de trésorerie actualisés, à formuler des justifications financières pour les transactions, et à créer des pitchbooks de la même manière que leurs anciens patrons l'exigeaient.
Rejoignez plus de 500 000 lecteurs qui commencent leur journée avec Quartz.
En vous abonnant, vous acceptez nos Conditions d'utilisation et notre Politique de confidentialité.
Ces tâches ont, jusqu'à présent, constitué la base des apprentissages dans le monde de la haute finance. Les jeunes analystes passent quelques années brutales au fond des tranchées : vérifier les chiffres, formater les présentations, anticiper ce qu'un vice-président demandera ensuite, se faire crier dessus par les cadres supérieurs, et ne pas beaucoup dormir. Ensuite, ils gravissent les échelons pour gagner plus d'argent et faire un travail plus intéressant. Beaucoup, bien sûr, quittent carrément la banque d'investissement dès qu'ils sont entièrement formés ; le système a une fonction largement reconnue en ce sens qu'il encourage les stagiaires brutalisés à fuir l'industrie.
Le « bulge bracket » — la poignée de banques d'investissement mondiales qui dominent le marché des transactions — emploie environ un million de personnes dans le monde, bien que seule une infime partie d'entre elles soient de véritables banquiers produisant des modèles et des pitchbooks. Dans ce contexte, le chroniqueur de Bloomberg Matt Levine souligné La circularité particulière du projet Mercury. La plupart des jeunes banquiers partent après deux ans, épuisés par les semaines de 100 heures et la tyrannie des petites erreurs. « Une fois que vous êtes de toute façon dehors, vous pourriez être parfaitement heureux de former un robot pour remplacer les jeunes banquiers », a-t-il ironisé conclu.
Le taux horaire — 150 $, soit environ 300 000 $ par an s'il était à temps plein, ce qui est supérieur à la plupart des salaires bancaires de niveau débutant même chez les Goldman Sachs du monde — est une incitation supplémentaire.
« L'idée que l'IA remplacera complètement les jeunes banquiers est exagérée », a déclaré Rob Langrick, principal défenseur des produits à l' Institut CFA. déclaré à Quartz. « Nous assistons à une évolution, pas à l'élimination, du rôle de niveau d'entrée. » Il a souligné l'organisation de l'enquête de perspectives de diplômés 2025, qui a révélé que « seulement 13 % pensent que l'IA rendra considérablement plus difficile l'obtention de l'emploi qu'ils souhaitent. »
« L'IA a le potentiel d'aider les professionnels de l'investissement à travailler plus efficacement, mais elle élève également la barre des compétences requises », a déclaré Langrick. « Cela crée une plus grande focalisation sur les compétences interpersonnelles et la mise en œuvre éthique. Nous voyons cela comme une opportunité pour ceux qui s'adaptent tôt, en utilisant à la fois l'intelligence de l'IA et l'intelligence humaine. Nous croyons qu'un humain doit rester impliqué pour que l'IA réussisse dans le processus d'investissement. »
Lire la suite: Suivi de la série d'accords d'OpenAI avec Nvidia $NVDA, Walmart $WMT, AMD $AMD et plus
Langrick a ajouté que la banque reste « un jeu sans défaut où détecter des erreurs dans une présentation avant une réunion client est une compétence prisée. Les banquiers seniors n'ont aucune tolérance pour les défauts dans les documents clients. Et tout temps gagné avec ces outils sera presque certainement réinvesti dans le travail sur plus de propositions. »
Il a également averti d'un potentiel fossé générationnel. « Nous avons commencé à capter des signaux de préoccupation de la part de certains professionnels que toute génération junior manquante dans une entreprise pourrait causer des problèmes de succession à l'avenir », a déclaré Langrick. « Cependant, lorsque vous parlez à de nombreuses banques et gestionnaires d'actifs, il n'y a pas eu trop d'exemples dans les grandes entreprises de réductions du nombre de diplômés embauchés. »
Il a ajouté : « Nous nous attendons à ce que les analystes juniors supervisent de plus en plus les processus automatisés, garantissant l'exactitude, maintenant les normes éthiques élevées exigées par l'industrie et, franchement, 'approuvant' les résultats à envoyer en haut de la chaîne." Mais il y a aussi un avantage à cela. Plutôt que de perdre l'expérience d'apprentissage, « les analystes bénéficient d'une exposition accrue à la prise de décision plus tôt dans leur carrière. Ce changement nécessitera que les nouveaux analystes utilisent à la fois des compétences techniques et de jugement plus tôt que les générations précédentes. »
Parmi ceux qui ont travaillé dans l'industrie, les réactions vont de l'enthousiasme à des avis plus sceptiques. Un ancien analyste de Morgan Stanley, qui a demandé à ne pas être nommé, a déclaré : « Je pense que c'est bien parce que cela libérera beaucoup de personnes très intelligentes pour travailler sur des problèmes plus passionnants si cela fonctionne. Au-delà d'un certain point, la modélisation financière est un peu routinière et c'est une perte de temps pour certaines de nos plus brillantes esprits de la faire si ce n'est pas nécessaire. »
Un autre ancien analyste, également en parlant anonymement, était plus sceptique : « Étant donné à quel point l'IA est sujette aux fabrications, je ne ferais pas confiance à la sortie pour quoi que ce soit d'important, et 'vérifier pour s'assurer que ce que l'IA a fait est correct' semble être un travail de faible statut. Et bien sûr, un modèle ne fait rien de magique, ce qui le rend précieux, c'est la validité des hypothèses. »
Pour l'instant, les modèles d'OpenAI restent en phase d'apprentissage, apprenant encore la délicate étiquette des marges et l'utilisation appropriée des italiques. Le but de l'entreprise est d'« améliorer et évaluer la capacité dans différents domaines », pas de remplacer complètement les humains. Mais même cette déclaration suggère un avenir où de jeunes financiers entrent dans l'industrie non pas pour construire des modèles, mais pour auditer les modèles que les machines ont construits pour eux.
Cela pourrait sembler efficace, voire humain. Mais cela risque aussi de vider la connaissance de première main — le ressenti des chiffres, le détecteur de B.S. finement accordé que l'on développe en regardant les entrées créer des sorties, communément appelé GIGO ou « poubelle dedans, poubelle dehors » — qui ne vient que de la construction de choses par soi-même, pièce par pièce. Même un modèle parfait n'est valable que selon les hypothèses qui y sont intégrées.
Pour OpenAI, bien sûr, l'objectif est clair. Le projet Mercury fait partie d'un effort plus large pour rendre sa technologie plus utile aux entreprises. Plus rentable aussi. Malgré une valorisation sur le marché privé supérieure à 500 milliards de dollars, l'entreprise n'a toujours pas généré de bénéfices. Apprendre à ses modèles GPT à effectuer un travail d'entreprise relativement bien rémunéré fait partie du plan pour changer cela, y compris le travail de milliers de jeunes analystes bancaires — potentiellement, en tout cas.
