Cité, formaté et fabriqué

Sommaire exécutif

Aperçu

Cette étude examine si six grandes plateformes d'IA commerciales — ChatGPT, Claude, Copilot, Gemini, Grok et Perplexity — peuvent identifier de manière fiable les titres d'investissement canadiens les plus performants. Chaque moteur a reçu la même question dans le cadre de 54 essais contrôlés : classer les cinq meilleures actions, fonds communs de placement et FNB par rendement sur période glissante. La réponse a été sans équivoque. Aucun moteur n'a retourné un titre de premier rang vérifié dans quelque catégorie que ce soit.

Chaque moteur a été testé sur son niveau payant en utilisant des sessions de navigation fraîches et isolées avec des invites identiques dans trois catégories d'actifs : les actions canadiennes (rendement sur 1 an sur période glissante), les fonds communs de placement (rendement annualisé sur 3 ans) et les FNB (rendement sur 3 ans). Chaque question a été soumise trois fois de manière indépendante par moteur. Les résultats ont été vérifiés par rapport aux données de marché au 30 avril 2026. Une invite d'audit structurée a ensuite demandé à chaque moteur de rendre compte de ses sources de données.

Principaux constats

Conclusion

L'échec est structurel. Les moteurs d'IA généralistes sont des modèles de langage ; ils font correspondre des motifs dans leurs données d'entraînement pour produire des réponses qui semblent plausibles. Classer des titres par rendement nécessite d'interroger un ensemble de données complet, actuel et structuré — ce qu'aucune de ces plateformes ne peut faire. Un meilleur prompting ne résoudra pas ce problème. Pour toute entreprise ayant besoin d'une recherche en investissement sur laquelle elle peut s'appuyer, la seule voie viable est une IA conçue spécifiquement sur des données de marché vérifiées, issues de sources primaires, avec une traçabilité complète.

Section 1

Le problème des données

L'hypothèse

Les outils d'IA sont déjà présents sur les postes de travail de la plupart des conseillers. ChatGPT, Claude, Gemini, Copilot, Grok, Perplexity — des plateformes créées par les plus grandes entreprises technologiques du monde, entraînées sur plus de contenu financier qu'un analyste ne pourrait en lire au cours d'une carrière, disponibles instantanément et en tout temps. Pour les conseillers en gestion de patrimoine et les gestionnaires de portefeuille déjà à court de temps, l'hypothèse qui en découle est raisonnable : si ces moteurs peuvent expliquer la différence entre un fonds commun de placement et un FNB, résumer des résultats financiers ou décrire le risque sectoriel, ils devraient être capables d'identifier les cinq meilleurs fonds communs de placement par rendement sur 3 ans. Les données existent. La question est précise. La réponse est un court tableau.

Ce que nous avons voulu tester

Cette hypothèse est erronée — et l'échec est structurel, non accidentel. Classer les cinq meilleurs titres dans une catégorie n'est pas une recherche ni un résumé. C'est une requête contre un ensemble de données complet et actuel. Cela nécessite de filtrer chaque titre admissible, d'appliquer une mesure précise et de trier les résultats les uns par rapport aux autres. Aucun des six moteurs testés ici n'a accès à ces données. Ce dont ils disposent, ce sont des données d'entraînement avec une date limite, complétées dans certains cas par des extraits de recherche Web. Ce n'est pas la même chose — et pour les conseillers qui utilisent ces outils pour orienter leurs recommandations aux clients, la différence est importante. Une réponse qui semble autoritaire mais est fabriquée de mémoire n'est pas un raccourci de recherche. C'est un risque de responsabilité.

La question n'était pas de savoir s'ils semblaient crédibles. La question était de savoir s'ils avaient raison, et s'ils étaient cohérents.

Ce que nous voulions observer

Trois choses : la cohérence entre les essais répétés, la précision par rapport aux données vérifiées, et la transparence quant aux limites de ce que chaque moteur savait réellement.

Section 2

Comment nous avons effectué les tests

Chaque essai a été effectué dans une session de navigation privée et en mode incognito. Les moteurs d'IA peuvent conserver le contexte d'une requête à l'autre au sein d'une session active — en repartant de zéro à chaque fois, nous avons veillé à ce que chaque essai commence sur une ardoise vierge. Nous avons répété la même séquence de questions trois fois pour chaque moteur et chaque catégorie d'actifs. La cohérence est l'une des qualités les plus importantes d'un outil de recherche. Effectuer trois essais nous a donné un moyen direct de mesurer si chaque moteur était d'accord avec lui-même.

Chaque essai a suivi la même séquence de trois invites. La première invite était la question de performance principale : les cinq meilleures actions canadiennes par rendement sur 1 an sur période glissante, les cinq meilleurs fonds communs de placement par rendement annualisé sur 3 ans, et les cinq meilleurs FNB cotés au Canada par rendement sur 3 ans. La deuxième invite demandait à chaque moteur d'identifier ses sources. La troisième capturait les métadonnées de session à des fins de réplication.

Cette structure nous a donné neuf essais par moteur dans trois catégories d'actifs. Sur six moteurs, nous avons complété 54 essais au total. Chaque réponse a été enregistrée dans son intégralité. Rien n'a été résumé ni paraphrasé avant que les résultats ne soient codés et évalués par rapport aux données de marché vérifiées.

Section 3

Résultats

Sur 54 essais, trois constats se sont répétés indépendamment du moteur, de la catégorie d'actifs ou du numéro d'essai. Aucun moteur n'a produit la même réponse de manière cohérente. Aucun moteur n'a retourné un titre de premier rang vérifié dans quelque catégorie que ce soit. Et aucun moteur n'a divulgué les limites de ses données à moins d'être directement questionné à ce sujet.

Cohérence

Lorsque les moteurs étaient cohérents, ils avaient systématiquement tort. Grok a produit les cinq mêmes FNB dans un ordre identique dans l'ensemble de ses trois essais sur les FNB. Les essais 2 et 3 de Perplexity sur les FNB étaient octet pour octet identiques. Les quatre premiers choix de FNB de Claude sont demeurés constants dans l'ensemble de ses trois essais sur les FNB. Dans chaque cas, l'invite d'audit a confirmé que les résultats provenaient de données d'entraînement plutôt que d'une récupération en direct — le moteur retournant un instantané mémorisé. Un moteur qui vous donne la même mauvaise réponse trois fois de suite n'est pas cohérent dans un sens significatif. Il est bloqué.

La tendance la plus courante était une variation significative. Les essais ETF de ChatGPT ont alterné entre des FNB sur l'or à effet de levier, des FNB entièrement Bitcoin et des fonds diversifiés d'extraction d'or, sans aucun chevauchement entre deux essais quelconques. Les essais 1 et 2 de Copilot sur les actions étaient octet pour octet identiques avant que l'essai 3 ne retourne une liste d'actions à petite capitalisation entièrement non liées, sans aucun chevauchement avec les deux précédents.

Celestica est apparu dans 14 des 18 essais sur les actions. Son rendement réel sur 1 an le plaçait en dehors des cinq premiers vérifiés de plus de 300 points de pourcentage. Ce niveau de consensus ne nous dit rien sur la performance. Il nous indique quelle entreprise a généré le plus de couverture médiatique financière, d'attention des analystes et de présence dans les données d'entraînement.

Carte de dispersion — Comment chaque moteur a obtenu ses réponses

Précision

Dans l'ensemble des trois catégories d'actifs et des 54 essais, l'écart entre ce que les moteurs ont retourné et ce que les données vérifiées montraient n'était pas marginal. Il était catégorique. Les moteurs n'étaient pas légèrement dans l'erreur. Ils identifiaient un ensemble de titres entièrement différent — des titres bien connus, largement couverts et proéminents dans les médias financiers, indépendamment de leur performance réelle selon la mesure spécifiée dans l'invite.

Les cinq premières actions canadiennes vérifiées par rendement sur 1 an au 30 avril 2026 étaient Almonty Industries (+685,9 %), Groupe Dynamite (+587,5 %), Hut 8 Mining (+506,8 %), Faraday Copper (+460,5 %) et Spartan Delta (+417,3 %). Almonty, Groupe Dynamite, Hut 8 et Spartan Delta n'ont figuré dans aucun essai d'aucun moteur. Celestica — citée 14 fois — a affiché un rendement de 374,6 %, soit plus de 310 points de pourcentage en dessous d'Almonty Industries.

Les cinq premiers fonds communs de placement en actions canadiennes vérifiés n'ont figuré dans aucun essai d'aucun moteur. Quatre essais sur les fonds communs de placement ont retourné des FNB au lieu de fonds communs de placement. Les moteurs mettaient en avant les fonds qu'ils avaient rencontrés le plus souvent dans les contenus financiers, et non les fonds qui se classent le mieux selon une mesure de performance définie appliquée à un ensemble de données complet et actuel.

Citations et sources

Aucun des six moteurs n'a accédé à une base de données financière institutionnelle lors d'un quelconque essai. Bloomberg, FactSet, Morningstar Direct, S&P Capital IQ, SEDAR+ et les flux de données à l'échelon des bourses n'ont jamais été consultés. Ce que les moteurs ont utilisé à la place était un mélange de données d'entraînement, d'extraits de recherche Web et, dans plusieurs cas, rien du tout.

Un moteur d'IA n'est pas un moteur de recherche et ce n'est pas une base de données. C'est un modèle de langage entraîné à prédire à quoi ressemble une réponse utile et cohérente. Lorsqu'il ne peut pas récupérer les données qu'une question requiert, il ne s'arrête pas. Il produit ce à quoi ressemblerait une réponse correcte, d'après les modèles présents dans ses données d'entraînement — y compris des chiffres plausibles, des noms de fonds plausibles et des citations plausibles.

Chaque moteur dans cette étude a une date limite de connaissance située entre fin 2023 et mi-2024, laissant un écart de douze à vingt mois entre le dernier instantané d'entraînement du moteur et l'invite de mai 2026. Une réponse qui inclut un tableau formaté, des chiffres de rendement spécifiques, des sources nommées et une date de référence ressemble à une réponse issue d'une recherche. Il n'y a aucun moyen de déterminer à partir du seul résultat qu'il n'en est rien.

Section 4

Analyse des moteurs d'IA

ChatGPT

Quatre essais n'ont utilisé que des extraits de recherche. Quatre autres ont entièrement puisé dans les données d'entraînement. Un seul essai a récupéré une source primaire. Les dates de référence étaient partielles ou fabriquées. Date limite de connaissance du début à la mi-2024 — environ vingt mois d'activité de marché entre le dernier instantané d'entraînement du moteur et l'invite de mai 2026.

Claude

Le seul moteur de l'étude à avoir récupéré des documents de source primaire — trois fichiers PDF dans le cadre des essais sur les FNB. Également le plus transparent quant à ses limites, signalant 18 erreurs HTTP-403, 8 erreurs de permission, 7 refus et 8 récupérations vides de JavaScript. Les choix de FNB étaient les plus stables en interne de tous les moteurs. Le troisième essai sur les fonds communs de placement a été refusé directement, et le refus s'est reproduit lors d'une nouvelle tentative. Date limite de connaissance de fin 2024 ou mai 2025 — la plus récente des six, mais représentant tout de même un écart d'au moins douze mois.

Copilot

Six des neuf essais ont produit zéro récupération en direct — le taux le plus élevé en dehors de Gemini. Les essais 1 et 2 sur les actions étaient octet pour octet identiques avant que l'essai 3 ne retourne une liste d'actions à petite capitalisation entièrement non liées. Dans l'essai 2 sur les actions, le moteur a décrit sa propre production comme « ESPACES RÉSERVÉS FABRIQUÉS, non récupérés d'aucune source. » Rien dans la réponse initiale n'indiquait cela.

Gemini

Neuf des neuf essais avaient zéro récupération — le pire bilan de l'étude. Malgré une intégration profonde avec l'infrastructure de recherche de Google, Gemini ne l'a pas utilisée lors d'aucun essai. Toutes les dates étaient fabriquées. Des étiquettes indiquant « mai 2026 » étaient apposées sur des chiffres tirés d'un instantané d'entraînement. A produit la cohérence inter-essais la plus faible de tous les moteurs.

Grok

A produit les cinq mêmes FNB dans un ordre identique dans l'ensemble des trois essais sur les FNB — la cohérence FNB la plus élevée de l'étude, reflétant une liste mémorisée plutôt qu'un filtrage en direct. Citations de sources fabriquées dans deux essais. Les chiffres de performance étaient des approximations basées sur la compréhension générale du moteur du comportement des FNB sur les matières premières, et non récupérés d'une source spécifique.

Perplexity

A refusé deux des trois essais sur les actions. A cité le plus grand nombre de sources sous accès payant de tous les moteurs — dix mentions — sans en accéder à aucune. Les essais 2 et 3 sur les FNB étaient octet pour octet identiques, ce qui correspond au retour d'un instantané d'entraînement stable plutôt qu'à l'exécution d'un filtrage en direct.

Sections 5 / 6

Conclusions

Un tableau des cinq premiers bien formaté avec des citations et une date de référence peut être entièrement fabriqué. La présence d'une citation ne prouve pas qu'elle a été récupérée. Répéter la question ne valide pas la réponse. Différents moteurs ne sont pas d'accord entre eux. Le même moteur n'est pas d'accord avec lui-même. La commodité de la réponse superficielle ne remplace pas sa vérification — et rien dans le résultat ne vous indique que cette vérification est nécessaire.

Rien de tout cela ne plaide contre l'utilisation de l'IA. Ces moteurs sont véritablement utiles pour l'orientation, la génération d'idées, la rédaction, le résumé et le remue-méninges. Ils ne sont pas fiables pour le type de récupération factuelle dont un conseiller ou un investisseur a besoin sans une étape de vérification explicite.

Les moteurs ont retourné des titres bien connus et largement couverts qui se classaient le plus haut dans leurs données d'entraînement en termes de présence médiatique, et non en termes de performance. Pour un conseiller formulant des recommandations sur la base de ces résultats, le risque est direct : vous pourriez présenter à vos clients des titres sélectionnés en fonction de leur couverture médiatique plutôt que de leur rendement, sans aucune indication dans la réponse que c'est ce qui s'est passé.

Section 7

Solutions

La cause profonde est plus simple que les modes d'échec ne le laissent entendre. Les moteurs d'IA n'ont pas accès à des données primaires de haute qualité pour les titres canadiens. Ils ne peuvent pas ouvrir un terminal Bloomberg, un flux FactSet, un poste de travail Morningstar Direct ou un dossier FundServ. Lorsqu'on leur demande un rendement actuel, un RFG ou un actif sous gestion, le moteur substitue ce qu'il peut atteindre — ce qui est rarement la bonne source et n'est jamais un ensemble de données complet. Ce n'est pas un problème de formulation des invites. C'est un problème d'accès aux données, et de meilleures questions ne le résoudront pas.

Une recherche en investissement précise nécessite une IA entraînée sur des données de marché organisées, structurées et vérifiées. Pas des extraits Web. Pas des approximations basées sur les données d'entraînement. Des données réelles issues de sources primaires qui sont actuelles, classables et dont la provenance est tracée — afin que chaque chiffre présenté à un utilisateur puisse être retracé jusqu'à une source connue avec un horodatage de récupération et une date de référence réelle.

Annexe A

Titres de premier rang vérifiés (au 30 avril 2026)

5 meilleures actions canadiennes — Rendement sur 1 an

Les éléments en gras identifient les cinq premiers réels par rendement sur 1 an (recherche Buckler) ; aucun n'a été identifié par quelque moteur d'IA que ce soit.

5 meilleurs fonds communs de placement en actions canadiennes — Rendement annualisé sur 3 ans

Aucun n'a figuré dans un quelconque essai d'aucun moteur.

5 meilleurs FNB cotés au Canada — Rendement sur 3 ans

Remarque : Les apparitions des FNB sur l'or reflètent la familiarité des données d'entraînement avec les fonds aurifères de premier plan, et non un filtrage de performance en direct. CI Galaxy Bitcoin ne répond pas au filtre des actions canadiennes spécifié dans l'invite ; il a néanmoins été le FNB le plus cité dans l'ensemble de l'étude.

Méthodologie

Paramètres de réplication

• Période : 8-9 mai 2026 — Mississauga, Ontario, Canada
• Sessions : Nouvelle session de navigation incognito par essai. Trois essais indépendants par moteur, déconnexion et redémarrage entre les essais dans la mesure du possible.
• Mode : Mode de clavardage grand public par défaut. Aucun mode de recherche approfondie, de réflexion ou d'agent.
• Moteurs : ChatGPT (GPT-5 ou GPT-4o), Claude (Sonnet 4.x), Copilot (GPT-4o), Gemini (2.5 Pro), Grok 4, Perplexity (Sonar). Tous les niveaux payants.
• Vérification : Résultats vérifiés par rapport aux données de marché vérifiées de Buckler au 30 avril 2026.