Cas Tencent WorkBuddy pour la recherche actions A : comparaison de 40+ valeurs, conversion HTML vers DOCX, capitalisation en base de connaissances

Si vous voyez encore WorkBuddy dans une équipe de recherche comme un simple outil qui "rédige un rapport" ou "résume quelques résultats", vous passez à côté du sujet principal.

J'ai repris en détail l'article public Tencent Cloud Developer Community : Construire un pipeline automatisé de recherche sur les actions A avec WorkBuddy (tutoriel pratique). Mon verdict est assez clair :

Dans ce cas de recherche actions A, le plus intéressant n'est pas de savoir si WorkBuddy sait écrire une conclusion, mais qu'il commence à relier toute une chaîne de travail : collecte de données, comparaison horizontale, rapport approfondi, conversion de format et dépôt dans une base de connaissances.

Je pose tout de suite une limite pour éviter toute lecture excessive :

Je ne dis pas que toutes les équipes de recherche utilisent aujourd'hui la même interface visible de WorkBuddy pour exécuter exactement ce workflow.

La formulation plus juste est :

Le cas public montre que les capacités IA / agent autour de WorkBuddy chez Tencent ont déjà été placées dans une tâche qui ressemble fortement à un environnement réel de production pour la recherche actions A.

Conclusion rapide

• Au 29 juin 2026, dans les informations publiques, le cas WorkBuddy le plus convaincant pour la recherche actions A n'est pas la simple rédaction d'un rapport, mais une chaîne en quatre étapes :

  1. collecte de données et recherche préliminaire
  2. génération d'un rapport approfondi en HTML
  3. conversion HTML vers DOCX
  4. mise en base de connaissances

• Les signaux les plus proches d'un environnement réel dans le cas publié incluent :

  • 3 mois d'usage réel
  • une comparaison transversale sur 40+ valeurs
  • une chaîne d'upload en 4 étapes vers la base de connaissances
  • la gestion de mémoire inter-session
  • des problèmes très concrets comme le texte chinois corrompu lors du HTML vers DOCX, l'expiration de token et la déconnexion du connecteur

• Si vous travaillez aujourd'hui sur :

  • la recherche actions chinoises
  • l'assistance buy-side ou sell-side
  • le suivi sectoriel
  • des modèles de rapports d'analyse
  • la capitalisation de connaissances de recherche

  alors cette piste mérite bien plus d'attention qu'un article générique sur "l'IA qui rédige des rapports".

Pourquoi les équipes de recherche sont sensibles à une IA orientée pipeline

Dans la recherche actions, ce qui consomme le plus de temps n'est généralement pas d'écrire une opinion en une phrase, mais plutôt :

• collecter les données
• relire les rapports et états financiers
• comparer les valeurs entre elles
• rédiger un rapport approfondi dans un format fixe
• archiver le résultat pour pouvoir le réutiliser plus tard

Autrement dit, la vraie friction ne vient pas surtout de la conclusion, mais de ceci :

les tâches de recherche sont fragmentées, les formats multiples, et les résultats ont du mal à devenir un actif durable.

C'est pour cela qu'à mes yeux, une équipe de recherche n'a pas seulement besoin d'un "modèle qui parle mieux", mais d'un système capable de :

• découper le travail en étapes répétables
• fiabiliser les conversions de format
• faire croître progressivement une mémoire de recherche et une base de connaissances

Cas 1 : le sujet clé n'est pas seulement l'analyse, mais le raccord entre analyse et livrable

Le point le plus important de cet article public est qu'il ne s'arrête pas à "l'IA peut-elle produire une conclusion ?", mais décompose directement la tâche en quatre segments :

1. collecte de données et recherche préliminaire
2. génération d'un rapport approfondi en HTML
3. conversion HTML vers DOCX
4. upload vers la base de connaissances

C'est précisément ce qui sonne juste.

Dans beaucoup d'équipes de recherche, le point douloureux n'est pas l'absence de conclusion, mais plutôt :

• des conclusions dispersées dans plusieurs sessions
• un processus difficile à réutiliser
• des livrables qui s'intègrent mal au patrimoine de connaissances de l'équipe

La chaîne montrée dans le cas public cherche justement à corriger cela.

Cas 2 : la comparaison de 40+ valeurs montre un travail de recherche par lots, pas un article unique

L'un des détails les plus utiles dans le cas publié est :

• une comparaison transversale de 40+ valeurs

Pourquoi est-ce important ?

Parce que cela suggère que l'on n'est pas face à un simple rapport sur une seule société, mais à un vrai travail de :

• comparaison à grande échelle
• recherche sectorielle structurée
• sortie standardisée à partir d'un modèle

Pour une équipe de recherche actions A, c'est important, car le gros du travail n'est souvent pas la rédaction de l'étude finale, mais :

• lancer un premier balayage large
• filtrer ensuite les valeurs qui méritent une analyse plus profonde

Autrement dit, la valeur de WorkBuddy ici n'est pas forcément d'écrire "comme un analyste vedette", mais plutôt :

de prendre en charge la partie amont, répétitive et fortement dépendante du format.

Cas 3 : la conversion HTML vers DOCX paraît mineure, mais ressemble le plus à la vraie production

Beaucoup de lecteurs sous-estimeront probablement le point le plus utile du cas :

• HTML vers DOCX

Pourtant, c'est justement l'élément qui ressemble le plus à un contexte réel.

Beaucoup de projets de recherche automatisée s'arrêtent encore à ceci :

• une conclusion dans une fenêtre de chat
• une sortie en Markdown
• mais un vrai flux interne ou externe qui exige toujours du Word / DOCX

Si cette dernière étape reste manuelle, la chaîne se casse.

C'est pourquoi les détails cités dans l'article public inspirent plutôt confiance :

• conversion HTML vers DOCX
• problèmes d'encodage chinois
• expiration de token
• déconnexion du connecteur

Ce sont des difficultés typiques d'un workflow effectivement exécuté jusqu'à la livraison.

Dans ce scénario, WorkBuddy n'est donc pas seulement un générateur de texte, mais touche déjà :

le dernier kilomètre du livrable de recherche.

Cas 4 : la chaîne de dépôt en 4 étapes vers la base de connaissances montre un objectif de capitalisation, pas un rapport jetable

Le deuxième signal que je trouve particulièrement important est :

• une chaîne d'upload en 4 étapes vers la base de connaissances

Cela signifie que l'objectif n'est pas de terminer un rapport puis de s'arrêter, mais plutôt de :

• reverser le processus et les résultats dans une base de connaissances
• réutiliser les découvertes pour les travaux suivants
• brancher réellement la mémoire inter-session

Pourquoi est-ce important ?

Parce que beaucoup d'équipes de recherche ne manquent pas seulement d'un rapport supplémentaire, elles manquent surtout de ceci :

éviter de recommencer la même recherche à partir de zéro à chaque cycle.

Si les résultats ne s'accumulent pas, l'IA reste un outil de rédaction ponctuel. S'ils reviennent dans la base de connaissances, elle commence plutôt à ressembler à :

un poste de travail où se forme progressivement un actif de recherche collectif.

Cas 5 : la mémoire inter-session est le vrai test pour une recherche suivie dans le temps

L'article public mentionne aussi :

• la gestion de mémoire inter-session

C'est un point important, car la recherche sur les actions A n'est presque jamais une tâche en une seule passe.

Dans la réalité, le rythme ressemble davantage à ceci :

• aujourd'hui, revue du secteur
• demain, complément sur les résultats financiers
• la semaine suivante, mise à jour de valorisation
• puis nouvelle couche avec annonces, politiques publiques ou prévisions de résultats

Si l'IA repart de zéro à chaque fois, sa valeur chute très vite.

La mémoire inter-session devient utile précisément parce qu'elle permet de conserver un minimum de continuité :

suivre la même liste de valeurs ou la même thèse sectorielle sur plusieurs cycles.

Cas 6 : pourquoi cette trajectoire ressemble plus à WorkBuddy qu'à un simple modèle de chat

D'après le cas public, ce qui rend WorkBuddy crédible sur ce terrain n'est pas surtout "la puissance du modèle", mais plutôt le fait qu'il peut :

• absorber des fichiers et des sources de travail
• produire dans plusieurs formats
• pousser les résultats dans une base de connaissances
• conserver un contexte de recherche d'une session à l'autre

La différence avec un modèle de chat classique est nette.

Un modèle standard ressemble davantage à ceci :

• vous posez une question
• il renvoie une réponse

Dans ce cas, WorkBuddy vise plutôt ceci :

• vous lancez une chaîne de recherche
• il aide à enchaîner recherche, génération, conversion et capitalisation

Autrement dit, il ressemble davantage à :

un poste de travail pour la recherche

qu'à :

une simple fenêtre de chat qui répond à des questions d'investissement.

Quelles équipes devraient examiner cette piste en premier

Équipes qui devraient regarder maintenant

• les équipes qui font du suivi actions A, de la recherche sectorielle et des rapports approfondis
• les postes de recherche qui ont beaucoup de comparaisons transversales et de livrables standardisés
• les équipes qui veulent capitaliser leurs résultats dans une base de connaissances
• les organisations qui doivent régulièrement convertir les analyses en documents formels

Équipes qui peuvent encore attendre

• les usages limités à des questions-réponses ponctuelles et très légères
• les équipes sans modèle de rapport stable ni besoin de capitalisation
• les équipes qui n'ont pas besoin de suivre un contexte de recherche d'une session à l'autre

Si vous voulez construire un flux similaire vous-même, par quoi commencer

Si votre vraie question est plutôt : comment raccorder collecte de données, rédaction de recherche, conversion de format et capitalisation de connaissances à votre propre activité, le plus utile est de commencer par comparer calmement les briques disponibles :

• tarifs des modèles
• acheter une clé API
• tutoriels d'utilisation

Pour un acheteur global ou une équipe d'évaluation, il est souvent plus utile d'examiner le workflow complet que de s'arrêter au nom d'un produit :

• capacités de modèle
• workflow de recherche
• chaîne de conversion de format
• logique de capitalisation des connaissances

Mon avis final

S'il fallait résumer ce cas WorkBuddy de recherche actions A en une phrase, mon jugement serait le suivant :

Le point à surveiller n'est pas "l'IA sait aussi écrire des rapports", mais le fait que cette trajectoire commence déjà à entrer dans la partie vraiment coûteuse de la recherche : recherche, génération, conversion de format et capitalisation en base de connaissances.

Si cette chaîne devient réellement fluide, ce que WorkBuddy touche n'est plus seulement l'efficacité d'un rapport ponctuel, mais :

la manière dont un travail de recherche à usage unique peut devenir un système de connaissances réutilisable dans le temps.

Références

• Construire un pipeline automatisé de recherche sur les actions A avec WorkBuddy (tutoriel pratique)
• Cas Tencent WorkBuddy dans la finance : due diligence en banque d'investissement, contrôle du risque multi-agent, et pourquoi la recherche actions A commence à être confiée à des agents IA