Essor mondial de la gestion de portefeuille basée sur l'IA

L'intelligence artificielle s'intègre de plus en plus profondément dans la gestion de portefeuille, aidant les sociétés d'investissement à analyser les marchés, à surveiller les risques et à adapter leurs services à chaque client. Son attrait réside dans sa capacité à traiter de grands volumes d'informations plus rapidement que les équipes de recherche traditionnelles, mais cette technologie ne remplace pas les principes sur lesquels reposent les portefeuilles. L'allocation d'actifs, la diversification, l'évaluation et le contrôle des risques restent au cœur du processus ; l'IA modifie simplement la rapidité et l'ampleur avec lesquelles ces principes peuvent être mis en œuvre.

Deloitte a constaté qu'environ 60% des sociétés de gestion d'actifs interrogées utilisaient l'IA de manière modérée dans leurs activités de distribution liées aux données, tandis que seules 11% décrivaient leur utilisation comme intensive. Ces chiffres indiquent que le secteur dépasse le stade de l'expérimentation sans pour autant avoir atteint une intégration complète. La plupart des sociétés ne confient pas les décisions relatives à leur portefeuille à des systèmes autonomes. Elles introduisent l’IA de manière sélective dans la recherche, la communication avec les clients, la conformité et les processus opérationnels, où les avantages peuvent être mesurés plus clairement.

L'automatisation a précédé l'intelligence artificielle

La gestion de portefeuille a commencé à intégrer la technologie bien avant la vague actuelle d’IA générative. Les fonds quantitatifs utilisaient des modèles statistiques pour identifier des tendances, tandis que les systèmes de trading algorithmique automatisaient l’exécution et réduisaient le délai entre un signal d’investissement et une transaction. Les robots-conseillers ont ensuite mis ces principes au service des investisseurs particuliers en recourant à des questionnaires numériques, des portefeuilles modèles et un rééquilibrage automatique afin de proposer une gestion d’investissement de base à moindre coût.

Wealthfront est devenu l’un des exemples les plus connus de cette évolution après sa création en 2008 et le lancement de son service d’investissement automatisé en 2011. Sa plateforme construit des portefeuilles à partir de fonds cotés en bourse, ajuste les allocations en fonction du profil de risque du client et automatise des fonctions telles que le rééquilibrage et l’optimisation fiscale. L'intérêt de ce modèle réside moins dans la prévision des marchés que dans la standardisation d'un processus qui nécessitait auparavant davantage d'intervention humaine, ce qui permet à l'entreprise de servir une large clientèle à un coût relativement faible.

Il est important de faire la distinction entre l'automatisation et l'intelligence artificielle, car ces termes sont souvent utilisés de manière interchangeable. Un système fondé sur des règles peut rééquilibrer un portefeuille sans tirer d'enseignements de nouvelles données, tandis qu'un modèle d'apprentissage automatique peut réviser ses conclusions à mesure que les conditions du marché évoluent. Les deux peuvent améliorer l'efficacité, mais ils s'accompagnent d'hypothèses et de risques différents.

L'IA élargit le champ d'analyse

Les équipes d'investissement modernes doivent traiter les rapports d'entreprise, les communiqués économiques, les cours boursiers, l'actualité, les analyses et des volumes de plus en plus importants de données alternatives. L'intelligence artificielle permet d'organiser ces informations, d'identifier des tendances inhabituelles et de mettre en évidence des évolutions qui, sans cela, pourraient passer inaperçues. Les systèmes de traitement du langage naturel peuvent analyser les conférences téléphoniques sur les résultats ou les documents réglementaires, tandis que les modèles d'apprentissage automatique permettent de comparer les corrélations entre des milliers de titres et de variables économiques.

Ces fonctionnalités peuvent renforcer l'analyse en aidant les gestionnaires de portefeuille à tester davantage d'hypothèses et à suivre un plus grand nombre de positions. Un système peut ainsi détecter que plusieurs titres, qui semblent diversifiés, sont exposés au même risque de taux d'intérêt, de change ou lié à la chaîne d'approvisionnement. Il peut également actualiser ces évaluations plus fréquemment que ne le permettrait une revue trimestrielle du portefeuille.

Cependant, disposer de davantage de données ne garantit pas automatiquement de meilleures décisions d’investissement. Les marchés contiennent aussi bien du bruit que des informations, et les modèles peuvent identifier des corrélations qui disparaissent dès que les conditions économiques évoluent. Un système peut générer une réponse précise sans pour autant déterminer si la relation qui la sous-tend est durable ou pertinente sur le plan économique. L’IA élargit le champ d’analyse, mais c’est au gestionnaire de portefeuille qu’il revient de décider quels éléments doivent influencer l’allocation des capitaux.

La personnalisation gagne en évolutivité

L'IA modifie également la manière dont les entreprises adaptent leurs portefeuilles et leur communication à chaque client. Les modèles traditionnels de gestion de patrimoine classent souvent les investisseurs selon des catégories générales telles que l'âge, le patrimoine et la tolérance au risque. Des systèmes plus avancés peuvent prendre en compte les flux de trésorerie, les engagements financiers, les besoins de liquidité, la situation fiscale et les engagements financiers prévus afin de dresser un tableau plus détaillé de l'adéquation des produits proposés.

Cela pourrait permettre aux entreprises de détecter quand le portefeuille d’un client ne reflète plus sa situation ou lorsque les placements répartis sur plusieurs comptes entraînent une concentration involontaire. Les conseillers peuvent également utiliser des résumés générés par l’IA pour préparer leurs entretiens et axer les discussions sur les décisions les plus pertinentes pour le client, plutôt que de passer du temps à collecter manuellement des informations.

La qualité de la personnalisation dépend de la qualité des données sous-jacentes. De nombreuses entreprises conservent encore les informations relatives à leurs clients dans des systèmes disparates, tandis que les actifs privés et les structures familiales peuvent être documentés de manière incohérente. L’IA peut analyser les données qui lui sont fournies, mais elle ne peut pas corriger toutes les omissions ni déterminer si les préférences exprimées par un client résisteront à une forte baisse des marchés. Une recommandation, même plus détaillée, peut s’avérer inadaptée si elle repose sur des informations incomplètes.

La gestion des risques offre un cas d'utilisation plus convaincant

Le risque de portefeuille est l'un des domaines dans lesquels l'IA peut apporter les avantages pratiques les plus évidents. Les outils d'apprentissage automatique permettent de suivre l'évolution de la volatilité, de la corrélation, de la liquidité et de la concentration du portefeuille, ce qui permet aux entreprises de détecter plus rapidement les expositions émergentes. Ils peuvent également faciliter l'analyse de scénarios en comparant le comportement de différents actifs lors de précédentes périodes de tensions sur les marchés.

Ces outils sont précieux car les risques se manifestent souvent dans des catégories que les rapports traditionnels traitent séparément. Un portefeuille peut contenir des actions, des obligations et des investissements privés qui dépendent tous de la même conjoncture économique, même s’ils sont classés dans des classes d’actifs différentes. L’IA peut aider à mettre en évidence cette exposition commune cachée en analysant un éventail plus large de relations.

L'analyse historique a toutefois ses limites. Les modèles entraînés sur des crises passées ne peuvent pas anticiper pleinement des événements dont les causes ou les structures de marché sont différentes, tandis que les corrélations changent souvent précisément au moment où les investisseurs en ont le plus besoin. Les équipes chargées de la gestion des risques doivent donc combiner les résultats des modèles avec des tests de résistance basés sur des situations qui ne se sont pas produites dans les données disponibles. L'IA peut améliorer le système d'alerte, mais elle ne peut pas identifier toutes les sources de perte plausibles.

Les économies réalisées dépendent de la refonte du système

Les sociétés d'investissement s'attendent à ce que l'IA permette de réduire les coûts en automatisant l'examen des documents, l'établissement de rapports, le rapprochement des données et certaines tâches liées au service client. Ces gains peuvent être considérables dans les organisations où des collaborateurs hautement qualifiés consacrent encore beaucoup de temps à des tâches répétitives. Les gestionnaires de portefeuille et les conseillers pourront alors se consacrer davantage à l'analyse, à la stratégie et aux relations avec la clientèle.

Ces économies ne sont pas automatiques, car les entreprises doivent investir dans l’infrastructure de données, la cybersécurité, l’intégration des systèmes et la formation des collaborateurs avant que la technologie puisse fonctionner efficacement. Une application d’IA déployée sur des bases de données fragmentées risque d’ajouter une couche de complexité supplémentaire au lieu d’en supprimer une. Les prestataires externes entraînent également des coûts de licence et des dépendances qui doivent être évalués au regard des gains d’efficacité escomptés.

Les analyses de rentabilité les plus solides reposent sur un processus bien défini et un résultat mesurable. La réduction du temps nécessaire à la préparation d'un rapport de portefeuille peut être évaluée, tout comme la diminution du nombre de fausses alertes de conformité. Une ambition générale visant à transformer la gestion des investissements grâce à l'IA est plus difficile à évaluer et risque davantage de déboucher sur des expériences coûteuses sans retour sur investissement clair.

Le jugement humain devient plus visible

L'IA est souvent présentée comme un moyen d'éliminer les émotions et les biais humains des décisions d'investissement. Des règles systématiques peuvent en effet empêcher un gestionnaire de portefeuille d'abandonner une stratégie sous l'effet d'une crainte à court terme ou de s'attacher à un investissement particulier. Les modèles reflètent toutefois toujours les choix humains concernant les données, les objectifs et les contraintes utilisés pour les élaborer.

Ce sont les chercheurs qui déterminent quelle période historique est pertinente, comment le risque doit être mesuré et quels résultats le système doit optimiser. Un biais peut donc s’introduire au niveau de la conception du modèle plutôt que par l’intuition d’un trader. Les employés peuvent également développer un « biais d’automatisation », c’est-à-dire accepter une recommandation parce qu’elle semble mathématiquement sophistiquée, même lorsque ses hypothèses sont fragiles.

Le rôle du gestionnaire de portefeuille devient alors un rôle d’interprétation et de remise en question. Les professionnels doivent suffisamment bien comprendre le système pour identifier les cas où un résultat va à l’encontre de la logique économique, où les données ne sont pas fiables ou encore où l’évolution des conditions de marché a rendu un modèle moins pertinent. Le jugement humain n’a pas disparu du processus ; il sert désormais à déterminer quand il ne faut pas suivre la machine.

Le règlement fait suite à la décision

La gestion de portefeuille assistée par l'IA reste soumise aux mêmes obligations en matière d'adéquation, de devoir fiduciaire et de transparence que le conseil traditionnel. Une entreprise ne peut pas se décharger de sa responsabilité sur un algorithme lorsqu'une recommandation est inappropriée ou qu'un modèle produit un résultat préjudiciable. Les autorités de régulation attendront des institutions qu'elles documentent la manière dont les systèmes influencent les décisions et qu'elles précisent qui reste responsable de leur validation.

L'explicabilité revêt une importance particulière lorsque l'IA a un impact sur un client individuel. Les investisseurs n'ont pas besoin de comprendre chaque calcul technique, mais ils devraient pouvoir bénéficier d'une explication claire des raisons pour lesquelles un portefeuille ou une recommandation leur convient. Les modèles très complexes peuvent offrir des améliorations marginales en termes de performances prédictives, tout en rendant cette explication plus difficile.

Les entreprises sont donc confrontées à un compromis entre complexité et contrôle. Dans certaines applications, un modèle plus simple, compréhensible par les employés et les autorités de régulation, peut s'avérer plus utile qu'un système plus précis dont le fonctionnement ne peut être expliqué ou remis en question de manière fiable.

Les contraintes de sécurité freinent le rythme d'adoption

Les systèmes de gestion de portefeuille basés sur l'intelligence artificielle nécessitent l'accès à des données sensibles relatives au marché, aux clients et aux transactions. Cela engendre des risques liés à la confidentialité, à la cybersécurité et au recours à des prestataires technologiques externes. Les dossiers de gestion de patrimoine peuvent révéler des informations sur la structure familiale, les intérêts commerciaux, la situation fiscale et les transactions prévues, ce qui rend toute violation particulièrement préjudiciable.

Les établissements doivent disposer de règles claires précisant quels systèmes sont autorisés à accéder aux informations sur les clients, où les données sont traitées et si des prestataires externes peuvent les utiliser pour entraîner d'autres modèles. Il faut également empêcher les employés de saisir des informations confidentielles dans des outils qui n'ont pas été approuvés pour un usage financier.

La cybersécurité n'est qu'une partie du problème. Les entreprises doivent se préparer à des résultats erronés, à des interruptions de service et à la possibilité qu'un modèle soit manipulé à l'aide de données corrompues. La résilience opérationnelle implique la capacité à détecter un problème et à poursuivre son fonctionnement lorsque les systèmes automatisés ne sont pas disponibles.

L'avantage concurrentiel se déplace vers la mise en œuvre

Les outils d'IA sont de plus en plus accessibles, ce qui réduit la probabilité que le simple fait d'avoir accès à cette technologie constitue un avantage durable. Les entreprises concurrentes peuvent se procurer des modèles, des capacités de calcul et des données de marché similaires ; la différenciation dépendra donc de plus en plus des informations exclusives, d'une intégration efficace et de la qualité du contrôle humain.

Les grandes institutions peuvent tirer parti de vastes ensembles de données et d’équipes spécialisées, tandis que les petites entreprises peuvent acquérir des capacités avancées grâce à des plateformes externes. Ces dernières bénéficient d’un accès à moindre coût, mais renoncent à une partie du contrôle sur l’infrastructure et la conception des modèles. Dans les deux cas, la valeur du système dépend de son intégration dans le processus d’investissement, plutôt que de son ajout en tant que fonctionnalité isolée.

La dernière étude de PwC sur la gestion d'actifs et de patrimoine souligne que les entreprises de premier plan intègrent désormais des technologies telles que l'IA et l'analyse avancée au cœur même de leurs activités d'investissement, de distribution et de service, plutôt que de les utiliser uniquement comme des outils d'appui. Cette distinction met en évidence la prochaine étape de l'adoption de ces technologies : l'avantage concurrentiel viendra de la refonte des processus et des décisions autour de la technologie, et non de la simple annonce de la présence de l'IA.

La gestion de portefeuille reste un exercice marqué par l'incertitude

Au cours des trois à cinq prochaines années, l'intelligence artificielle continuera à s'étendre aux domaines de la recherche, de la gestion des risques, du service client et de la gestion des portefeuilles. Les outils de traitement du langage naturel amélioreront l'accès à l'information, tandis que les modèles d'apprentissage automatique aideront les entreprises à surveiller des portefeuilles plus vastes et plus complexes. Ces évolutions devraient permettre aux organismes d'investissement de gagner en rapidité et en évolutivité.

Elle ne rendra pas les marchés prévisibles. Les cours reflètent l'évolution des anticipations, les décisions politiques et le comportement humain, tandis que les corrélations mises en évidence par les données historiques peuvent s'affaiblir dès lors que les investisseurs commencent à négocier en s'appuyant sur celles-ci. L'IA peut certes améliorer la probabilité de prendre une décision judicieuse, mais elle ne peut garantir le résultat ni déterminer quels risques un investisseur devrait accepter.

Le modèle le plus fiable n’est donc ni entièrement automatisé, ni totalement tributaire du jugement individuel. Les machines peuvent traiter des informations, détecter des tendances et appliquer les règles de gestion de portefeuille, tandis que les humains évaluent si le résultat est économiquement pertinent et reste adapté au client. L’IA transforme les mécanismes de la gestion de portefeuille, mais une allocation d’actifs rigoureuse, une responsabilité clairement définie et une bonne compréhension de l’incertitude continueront de déterminer si ces mécanismes produisent de meilleurs résultats d’investissement.