Depuis mes débuts dans la recherche financière, j’ai constaté qu’aucun analyste n’utilise les mêmes conventions ou formats : certains jonglent entre feuilles Excel, d’autres insèrent leurs données dans des slides ou des PDF annotés à la hâte. Pour démêler ce casse-tête, j’ai développé une méthode qui allie intelligence artificielle et flair humain. Après un premier diagnostic, je commence toujours par inventorier chaque source, puis j’applique une série d’algorithmes maison pour détecter les divergences d’unités ou de champs. Là où la machine hésite, c’est moi qui tranche : je croise les données, les documente et, surtout, j’explique chaque choix à mes clients. Cela a permis à plusieurs équipes de fiabiliser leurs projections, gagner un temps précieux et rendre la collaboration analystes-modélisateurs bien plus efficace. Un processus né d’échecs retentissants – comme ce jour où un taux d’intérêt inversé avait faussé tout un modèle – et raffiné par l’expérience. Mon IA est un assistant, jamais un arbitre : la décision finale, c’est toujours celle du client, appuyée sur une documentation claire et des échanges transparents. Résultat : des modèles robustes et des relations de confiance, sans surprise.