J’ai lancé dix modèles d’IA en compétition pour trouver la meilleure stratégie de trading. Et chaque fois, ce sont les modèles les moins chers qui ont remporté la victoire. Claude Opus 4.6, dix fois plus coûteux à exploiter, n’a jamais surpassé le S&P 500. Tous mes articles sont gratuits à lire. Pas abonné à Medium ? Lisez l’intégralité de l’article ici, sans aucun frais. La première fois que j’ai mené cette expérience, je n’ai pas cru aux résultats. Alors j’ai répété l’expérience. Puis encore. Et encore. Un « essaim d’agents » d’IA. Dix modèles différents, allant des modèles open-source bon marché – ceux que certains qualifient de « logiciels espions » – aux plus chers et les plus admirés du monde, ceux dont le coût d’exploitation est dix fois supérieur. Et pourtant, ce sont les modèles bon marché qui ont toujours gagné. Dans trois expériences distinctes, j’ai fait fonctionner cet essaim. Les vainqueurs changeaient à chaque fois, mais les perdants, eux, restaient les mêmes. Voici ce que j’ai fait. Qu’est-ce qu’un essaim d’agents ? C’est la mise en œuvre de plusieurs modèles d’IA, tous chargés de la même tâche. Ici, leur objectif commun était clair : « concevoir la meilleure stratégie de trading en termes de rendement brut et de rendement ajusté au risque ». Grâce à une interface multi-agents permettant de lancer ces essaims, chaque modèle agit comme un quant. Il reçoit la mission, rédige un plan de recherche, puis : Analyse des données historiques, Propose des indicateurs techniques, Teste des combinaisons d’entrées et de sorties, Évalue les performances sur différentes périodes, Affine sa stratégie en fonction des résultats. Les modèles les plus coûteux, comme Claude Opus 4.6, produisaient des plans plus élaborés, plus « élégants », plus longs. Mais leurs stratégies, au final, ne battaient pas le marché. Elles étaient souvent trop complexes, surajustées aux données passées, et donc peu robustes dans le temps. En revanche, les modèles open-source, plus simples, plus rapides, produisaient des stratégies plus directes, plus résilientes. Ils se concentraient sur les signaux clés, évitaient les surcomplexités inutiles, et réalisaient de meilleurs résultats sur le long terme. Ce qui ressort clairement, c’est que la puissance brute n’assure pas la supériorité. Parfois, la simplicité, la rapidité, et une bonne compréhension des données fondamentales, suffisent à battre le marché. Et surtout, cela montre que l’IA n’est pas une affaire de prix. Ce n’est pas le modèle le plus cher qui gagne. C’est celui qui sait mieux utiliser ce qu’il a.