Analyses de gestion de patrimoine basées sur l'IA
L'intelligence artificielle permet aux gestionnaires de patrimoine d'accéder à davantage de données, à des analyses plus rapides et à une vision de plus en plus détaillée des portefeuilles de leurs clients. Sa valeur ne se mesurera toutefois pas au volume d'informations qu'elle est capable de traiter. Le véritable défi consiste à déterminer si les entreprises sont capables de transformer ces informations en décisions plus éclairées sans pour autant compromettre la responsabilité, la sécurité ou la confiance des clients.
Les analyses basées sur l'intelligence artificielle ont largement dépassé le stade des simples recommandations de portefeuille associées à la première génération de robots-conseillers. Les gestionnaires de patrimoine utilisent désormais cette technologie pour surveiller les risques, regrouper les informations financières, analyser les marchés et détecter les changements dans la situation des clients.
L'ampleur des perspectives d'avenir est considérable. PwC estime que l'intelligence artificielle pourrait générer jusqu'à 15 700 milliards de dollars pour l'économie mondiale d'ici 2030. Les services financiers devraient figurer parmi les secteurs les plus concernés, car une grande partie de leur activité repose sur l'analyse de données, la reconnaissance de tendances et la prise de décisions en situation d'incertitude.
Pour autant, cette technologie ne supprime pas l'incertitude inhérente à l'investissement. Elle permet simplement aux institutions d'analyser cette incertitude plus rapidement.
Des portefeuilles automatisés à l'infrastructure analytique
Au départ, les applications de l'IA dans la gestion de patrimoine étaient relativement limitées. Les robots-conseillers utilisaient des algorithmes pour évaluer la tolérance au risque, constituer des portefeuilles et rééquilibrer les placements selon des règles prédéfinies.
Ces plateformes ont permis de réduire le coût de la gestion d'investissement de base et ont rendu les portefeuilles diversifiés accessibles à un plus large éventail de clients. Leurs capacités d'analyse se limitaient toutefois généralement à des informations financières structurées et à des modèles d'investissement standardisés.
Les systèmes actuels couvrent un éventail de tâches plus large. Ils peuvent combiner les données de portefeuille avec les cours du marché, les rapports d'entreprise, les indicateurs économiques, l'actualité et d'autres informations externes. Le traitement du langage naturel leur permet d'analyser des textes, tandis que les modèles d'apprentissage automatique recherchent des corrélations qui peuvent être difficiles à identifier par le biais d'une analyse traditionnelle.
Cela permet de mettre en place un processus d'investissement plus dynamique. Au lieu de s'appuyer principalement sur des examens périodiques du portefeuille, les conseillers peuvent suivre les expositions et les facteurs de risque à mesure que de nouvelles informations sont disponibles.
Cette distinction est importante. L'IA n'est plus simplement un canal de distribution automatisé. Elle s'intègre désormais à l'infrastructure analytique qui sous-tend les décisions d'investissement.
BlackRock illustre l'ampleur de ce changement
La plateforme Aladdin de BlackRock est souvent citée comme un exemple de gestion de portefeuille axée sur la technologie. Ce système regroupe, au sein d'un même environnement, des outils d'analyse de portefeuille, de suivi des risques, de négociation et d'exploitation.
Aladdin n'est pas simplement un produit d'intelligence artificielle, et il ne prévoit pas non plus de manière autonome l'évolution des marchés. Son intérêt réside dans l'intégration d'une grande quantité de données d'investissement au sein d'un cadre analytique commun.
Les gestionnaires de portefeuille peuvent utiliser la plateforme pour analyser l'impact que pourraient avoir les fluctuations des taux d'intérêt, des devises ou des cours des actifs sur leurs différents placements. Ils peuvent tester différents scénarios, surveiller les concentrations et évaluer les risques au sein de portefeuilles composés de plusieurs classes d'actifs.
L'apprentissage automatique peut élargir ces capacités en détectant des tendances dans les données historiques et en temps réel. L'analyse qui en résulte peut aider les équipes d'investissement à identifier plus tôt les points faibles ou à comparer un éventail plus large de scénarios possibles.
Ce modèle montre également pourquoi la taille est un facteur déterminant. Les grands gestionnaires d'actifs ont accès à des ensembles de données volumineux, à un personnel spécialisé et aux capitaux nécessaires pour mettre en place des systèmes sophistiqués. Les gestionnaires de fortune de plus petite taille ont davantage tendance à se doter de capacités similaires en faisant appel à des prestataires technologiques externes.
Plus de données, mais pas forcément plus de clarté
Selon Statista, le marché mondial de l'IA dans le secteur financier devrait connaître une croissance annuelle d'environ 231 % entre 2021 et 2025. Cette expansion reflète à la fois les progrès technologiques et la volonté des institutions financières de tirer davantage de valeur de leurs données existantes.
Les systèmes d'IA sont capables de traiter des informations provenant de sources qu'il était auparavant difficile d'intégrer dans l'analyse de portefeuille. Il peut s'agir notamment du sentiment sur les réseaux sociaux, de l'actualité géopolitique, de l'imagerie satellite et des communications non structurées des entreprises.
Ces données peuvent enrichir l'analyse financière. Elles peuvent également introduire du bruit.
L'activité sur les réseaux sociaux peut refléter des sentiments ponctuels plutôt qu'un changement profond. L'analyse de l'actualité peut donner lieu à une mauvaise interprétation du contexte. Les événements géopolitiques ont rarement un effet unique et prévisible sur les marchés.
Il ne faut donc pas confondre la capacité à traiter davantage d'informations avec celle de faire des prévisions précises. Les modèles peuvent mettre en évidence des relations qui disparaissent lorsque les conditions du marché changent. Ils peuvent également fournir des résultats chiffrés précis pour des hypothèses qui restent très incertaines.
L'intérêt de l'IA réside en partie dans l'élargissement du champ d'analyse. C'est toutefois au professionnel de l'investissement qu'il revient de déterminer quelles informations sont pertinentes.
L'analyse en temps réel modifie le rythme des décisions
Les processus traditionnels de gestion de patrimoine s'appuient souvent sur des rapports mensuels ou trimestriels. De ce fait, les conseillers et les clients peuvent se retrouver à travailler avec des informations déjà obsolètes.
Les systèmes basés sur l'IA permettent d'analyser les portefeuilles en continu. Toute variation des cours du marché, de la volatilité ou des corrélations peut être prise en compte dans les évaluations des risques presque instantanément.
Cela pourrait permettre aux entreprises de réagir plus rapidement aux problèmes émergents. Un système pourrait ainsi identifier que plusieurs investissements, apparemment sans rapport les uns avec les autres, sont désormais exposés au même risque de taux d'intérêt, de change ou de liquidité. Il pourrait également détecter que le portefeuille d'un client a dépassé les limites convenues à la suite d'une forte fluctuation du marché.
La rapidité est utile, mais elle peut créer une pression qui pousse à agir alors qu'il vaudrait mieux faire preuve de retenue.
Les investisseurs à long terme n'ont pas besoin de réagir à chaque fluctuation des conditions du marché. Des alertes fréquentes peuvent inciter à des interventions inutiles et compromettre une stratégie soigneusement élaborée.
Les gestionnaires de fortune doivent donc faire la distinction entre les informations qui nécessitent une action et celles qui se contentent de décrire la volatilité à court terme.
La personnalisation va bien au-delà des questionnaires sur les risques
L'un des principaux arguments en faveur de l'IA est qu'elle permet de fournir des conseils d'investissement plus personnalisés.
La constitution traditionnelle d'un portefeuille classe souvent les clients dans de grandes catégories en fonction de leur âge, de leur patrimoine et de leur tolérance au risque. Les systèmes d'IA peuvent potentiellement prendre en compte un éventail beaucoup plus large de variables, notamment les revenus, les habitudes de dépenses, les besoins de liquidités, la situation fiscale et le calendrier des engagements financiers futurs.
Il pourrait en résulter un portefeuille mieux adapté à la situation réelle du client.
Pour les familles fortunées, la personnalisation peut également passer par la consolidation de patrimoines complexes. Les titres cotés en bourse, les sociétés privées, les biens immobiliers, les créances et les objets de collection peuvent être répartis entre plusieurs banques et juridictions. Les plateformes assistées par l'IA peuvent aider à organiser ces informations et à identifier les risques qui ne sont pas visibles au niveau des comptes individuels.
Mais la personnalisation repose sur des données précises et à jour. Si les actifs privés ne sont évalués que rarement ou si les objectifs des clients sont mal documentés, l'analyse qui en résulte peut donner une fausse impression de précision.
Un système ne peut effectuer des calculs qu'à partir des informations qu'il reçoit. Il ne peut pas déterminer si un client a omis des détails importants ni si les préférences qu'il a exprimées reflètent son comportement en cas de crise financière.
L'automatisation transforme le travail des conseillers
L'IA permet de réduire le temps consacré aux tâches routinières telles que la collecte de données, l'établissement de rapports sur les portefeuilles, le classement de documents et la préparation des réunions.
Cela permet aux conseillers de consacrer davantage de temps aux tâches difficiles à automatiser : discuter des priorités familiales, expliquer les compromis et aider les clients à prendre des décisions dans des situations où ils sont soumis à une forte pression émotionnelle.
Cette évolution pourrait améliorer la productivité, en particulier dans les entreprises où des conseillers hautement qualifiés consacrent encore beaucoup de temps à la collecte manuelle d'informations.
Cela pourrait également faire monter les attentes des clients. Lorsque la technologie permettra de générer des synthèses de portefeuille et des analyses de marché presque instantanément, les clients seront moins enclins à payer des frais supplémentaires pour des tâches administratives.
Les conseillers devront démontrer leur valeur ajoutée par leur capacité d'interprétation plutôt que par l'accès à l'information. Leur rôle consistera de plus en plus à vérifier les conclusions générées par l'IA, à les replacer dans leur contexte et à expliquer pourquoi une recommandation particulière est adaptée au client.
Cela exige des compétences différentes. Les connaissances financières restent indispensables, mais les conseillers doivent également comprendre les hypothèses et les limites des systèmes qu'ils utilisent.
Les modèles apprennent à partir d'historiques imparfaits
On dit souvent que les modèles d'apprentissage automatique s'améliorent continuellement à mesure qu'ils traitent davantage de données. Dans la pratique, cette amélioration n'est ni automatique ni permanente.
Les marchés financiers évoluent. Les réglementations sont révisées, les régimes monétaires changent et le comportement des investisseurs s'adapte. Une relation qui semblait solide d'après les données historiques peut s'affaiblir, voire s'inverser.
Les modèles peuvent également hériter des biais présents dans les données utilisées pour leur apprentissage. Si les décisions passées reposaient sur des hypothèses trop restrictives concernant le comportement des clients ou les risques, un système d'IA pourrait reproduire ces schémas à plus grande échelle.
Cela revêt une importance particulière dans le cadre des évaluations de l'adéquation et de la segmentation de la clientèle. Les systèmes automatisés ne devraient pas exclure ou désavantager des clients sur la base de corrélations que les entreprises ne peuvent ni expliquer ni justifier.
Il est donc essentiel de procéder à des tests réguliers. Les gestionnaires de patrimoine doivent comparer les résultats des modèles avec les résultats réels, analyser les comportements inattendus et déterminer à quel moment un système doit être réentraîné ou retiré.
Le contrôle humain ne doit pas se limiter à approuver les recommandations une fois qu'elles ont été formulées. Il doit s'étendre à la conception, aux tests et à la gouvernance du processus analytique lui-même.
La réglementation suivra la chaîne décisionnelle
À mesure que l'IA gagne en importance, les autorités de régulation devraient s'intéresser davantage à l'impact des résultats générés par l'automatisation sur les clients.
Les obligations existantes ne disparaissent pas pour autant lorsqu'une recommandation est étayée par un algorithme. Les entreprises doivent toujours veiller à ce que les conseils soient adaptés, que les communications soient claires et que les informations des clients soient protégées.
Ils doivent également déterminer qui est responsable lorsqu'une décision prise à l'aide de l'IA cause un préjudice. La responsabilité peut être partagée entre le gestionnaire de patrimoine, le fournisseur de logiciels, le fournisseur de données et les employés qui utilisent le système.
C'est précisément cette complexité qui rend la documentation si importante. Les entreprises devraient être en mesure d'expliquer quelles données ont été utilisées, comment un résultat a influencé la recommandation finale et à quel moment le jugement humain est intervenu dans le processus.
Une transparence technique totale n'est peut-être pas toujours possible avec des modèles complexes. Mais un gestionnaire de patrimoine devrait tout de même être en mesure d'expliquer de manière claire les raisons qui ont motivé une décision.
Les clients n'ont pas besoin de comprendre chaque ligne de code. Ils doivent toutefois connaître les principes sur lesquels repose la gestion de leur argent.
Les contraintes de sécurité freinent l'envie d'expérimenter
L'analyse par l'IA repose sur l'accès à des informations financières et personnelles détaillées. Les données qui rendent un service plus utile le rendent également plus sensible.
Les gestionnaires de patrimoine doivent déterminer où les informations sont stockées, quels systèmes y ont accès et si les fournisseurs externes d'IA utilisent les données des clients pour améliorer leurs propres modèles.
La cybersécurité n'est qu'une partie du problème. Les entreprises sont également confrontées à des risques liés à la divulgation accidentelle d'informations, à des autorisations mal configurées et à la saisie d'informations confidentielles par les employés dans des outils inadaptés.
Les clients fortunés peuvent détenir des participations dans des entreprises familiales, des fiducies et des opérations futures qui ne sont pas de notoriété publique. Une fuite de données peut entraîner des conséquences commerciales, juridiques et personnelles bien supérieures à la valeur du compte concerné.
Les institutions doivent donc mettre en place des contrôles stricts sur les systèmes approuvés et les cas d'utilisation autorisés. L'expérimentation ne doit pas se faire au détriment de la confidentialité.
L'avantage concurrentiel réside désormais dans la mise en œuvre
Gartner prévoit que d'ici 2026, 75% des stratégies d'investissement s'appuieront sur l'analyse par IA. Ce chiffre exact doit être vérifié, mais cette tendance semble plausible : l'analyse automatisée se généralise de plus en plus dans le secteur des services financiers.
À mesure que l'accès aux outils d'IA se généralise, la technologie en elle-même sera de moins en moins un facteur de différenciation. Les entreprises concurrentes pourraient utiliser des modèles, des données de marché et des plateformes externes similaires.
C'est la mise en œuvre qui fera la différence.
Les gestionnaires de patrimoine disposant de données consolidées, de conseillers expérimentés et d'une gouvernance claire seront mieux placés pour exploiter efficacement l'IA. Les entreprises dont les données sont fragmentées et les systèmes mal intégrés risquent simplement d'automatiser leurs faiblesses actuelles.
Il est peu probable que les institutions les plus performantes confient entièrement leurs décisions d'investissement à des machines. Elles ne considéreront pas non plus l'IA comme un simple ajout superficiel à un service traditionnel.
Ils utiliseront cette technologie de manière ciblée : pour organiser les informations, tester les portefeuilles, surveiller les risques et préparer les conseillers à mener des entretiens plus approfondis avec leurs clients.
Les analyses basées sur l'IA peuvent rendre la gestion de patrimoine plus rapide, plus réactive et plus précise. Elles ne peuvent toutefois pas déterminer quels sont les objectifs financiers les plus importants pour une famille, ni dans quelle mesure un client est réellement prêt à accepter l'incertitude.
Ce sont là des questions qui relèvent du jugement. L'objectif d'une meilleure analyse n'est pas de se substituer à ce jugement, mais de lui donner des bases plus solides.
