Une récente étude de l'Université de la Géorgie met en lumière les limites de l'intelligence artificielle générative dans le conseil financier personnel. Les chercheurs ont évalué sept chatbots populaires en leur soumettant des scénarios fictifs détaillés couvrant l'épargne d'urgence, le taux de retrait à la retraite et la constitution d'un portefeuille d'investissement. Les résultats révèlent des divergences notables. Selon les plateformes utilisées et les caractéristiques démographiques attribuées aux profils fictifs, notamment le genre et l'origine ethnique, les recommandations financières variaient considérablement. Par exemple, ChatGPT, Copilot et DeepSeek suggéraient des montants d'épargne d'urgence plus élevés pour les femmes et les personnes de race noire. Dans le domaine de l'investissement, les réponses divergeaient également. Seul Claude s'est distingué par une réponse uniforme, proposant systématiquement une somme spécifique qui dépassait la moyenne des autres modèles. Malgré ces disparités, le conseil global demeure souvent pertinent. Tous les modèles ont recommandé un taux de retrait de quatre pour cent pour les retraites, conformément aux pratiques établies. Un des chatbots a même conseillé aux utilisateurs de consulter un professionnel pour valider leurs choix. Swarn Chatterjee, auteur principal de l'étude, explique que ces systèmes synthétisent des informations collectées en ligne, ce qui peut introduire des biais sociétaux ou des stéréotypes inconscients dans les suggestions générées. L'expertise souligne que la fiabilité des réponses dépend aussi de la capacité de l'utilisateur à interpréter les résultats. Deux individus aux profils similaires peuvent poursuivre des objectifs financiers distincts. Face à ces limites, la chercheure recommande une approche prudente : considérer l'intelligence artificielle comme un point de départ plutôt qu'une solution définitive. Pour des décisions impactant directement l'avenir financier, il reste indispensable de faire appel à un conseiller humain capable d'adapter ses recommandations aux circonstances personnelles. L'étude invite donc à valider systématiquement les conseils automatiques avant toute mise en œuvre concrète.