Essor mondial des analyses de gestion de patrimoine basées sur l'IA
L'intelligence artificielle s'intègre progressivement à l'infrastructure analytique de la gestion de patrimoine. Les entreprises l'utilisent pour traiter davantage d'informations, surveiller les portefeuilles et adapter leurs recommandations à chaque client. PwC prévoit que l'adoption de l'IA dans les services financiers augmentera de 30% par an. Cependant, le succès de cette technologie dépendra moins de la puissance de traitement que de la qualité des données, des contrôles et du jugement professionnel qui l'entourent.
La gestion de patrimoine a toujours reposé sur la combinaison des données historiques des marchés et de l'expérience des conseillers et des gestionnaires de portefeuille. Ce modèle reste pertinent, mais il est mis à rude épreuve par la quantité et la rapidité des informations désormais disponibles.
Les équipes d'investissement doivent suivre les indicateurs économiques, les informations publiées par les entreprises, les cours du marché, l'actualité politique et l'évolution des portefeuilles des clients. Aucun analyste ne peut à lui seul examiner tous les signaux pertinents en temps réel.
Les systèmes d'IA promettent de réduire cet écart. Les modèles d'apprentissage automatique sont capables de traiter de vastes ensembles de données, d'identifier des tendances inhabituelles et d'actualiser leurs analyses à mesure que de nouvelles informations sont disponibles. Les outils de traitement du langage naturel permettent d'analyser des rapports d'entreprise, des articles de presse et des études qui, auparavant, auraient nécessité un examen manuel approfondi.
Le résultat n'est pas une certitude. Il s'agit d'une base plus large et plus rapide pour la prise de décision.
De l'analyse historique à la surveillance continue
L'analyse traditionnelle de portefeuille est souvent rétrospective. Les gestionnaires examinent les rendements passés, les corrélations et la volatilité afin de comprendre comment les placements pourraient évoluer dans différentes conditions.
L'IA peut optimiser ce processus en combinant les données historiques avec les données de marché actuelles. Les portefeuilles peuvent ainsi faire l'objet d'un suivi continu, plutôt que d'être évalués uniquement lors des revues programmées.
Cela permet aux entreprises d'identifier les concentrations émergentes ou les évolutions en matière de risque. Des placements qui semblent diversifiés par classe d'actifs peuvent, par exemple, dépendre d'un même contexte de taux d'intérêt, du prix d'une matière première ou d'un marché géographique.
Les modèles d'apprentissage automatique permettent de détecter de telles corrélations parmi des milliers de positions. Ils peuvent également aider les gestionnaires à évaluer comment les portefeuilles pourraient réagir à l'inflation, aux fluctuations des taux de change ou à une détérioration de la liquidité du marché.
Ces capacités sont précieuses, mais il ne faut pas les confondre avec des prévisions fiables. Les marchés financiers sont influencés par le comportement humain, les décisions politiques et les événements imprévus. Les modèles formés sur la base de conditions passées peuvent s'avérer peu performants lorsque ces conditions changent.
L'IA peut calculer les résultats possibles plus rapidement. Elle ne peut toutefois pas éliminer l'incertitude qui les entoure.
BlackRock démontre l'intérêt de l'intégration
BlackRock est souvent cité comme un exemple de gestion d'actifs axée sur la technologie. Sa plateforme Aladdin regroupe les données de portefeuille, l'analyse des risques, les opérations de négociation et les fonctions opérationnelles.
L'intérêt de cette plateforme ne réside pas dans un simple algorithme prédictif, mais dans sa capacité à offrir une vue d'ensemble des expositions d'investissement. Les gestionnaires de portefeuille peuvent ainsi analyser les risques à travers les différentes classes d'actifs, tester divers scénarios et observer l'impact des fluctuations du marché sur leurs différentes positions.
L'apprentissage automatique peut renforcer ces fonctions en identifiant des tendances ou des anomalies que l'analyse classique pourrait négliger.
Ce système met également en évidence l'avantage dont bénéficient les grandes institutions. BlackRock peut s'appuyer sur des données exhaustives, des équipes spécialisées et d'importants investissements technologiques. Les petits gestionnaires de fortune ont peu de chances de mettre en place en interne une infrastructure comparable.
Elles peuvent plutôt s'appuyer sur des plateformes externes proposant des outils d'analyse de portefeuille basés sur l'IA, des outils de conformité et des rapports destinés aux clients. Cela permet aux petites entreprises d'accéder à des fonctionnalités plus sophistiquées, mais cela accroît également leur dépendance vis-à-vis des prestataires tiers.
La question stratégique ne porte donc pas seulement sur le fait de savoir si une entreprise utilise l'IA, mais aussi sur qui contrôle cette technologie et les données dont elle dépend.
Les robots-conseillers ont élargi le marché
Les robots-conseillers ont été parmi les premières applications concrètes de l'analyse automatisée dans le domaine de la gestion de patrimoine.
Des entreprises telles que Betterment et Wealthfront ont eu recours à des questionnaires numériques et à des modèles algorithmiques pour constituer des portefeuilles diversifiés, rééquilibrer les placements et gérer les opérations fiscales. Leurs services pouvaient être proposés à un coût inférieur à celui des relations de conseil traditionnelles.
Ce modèle a permis aux clients disposant de montants d'investissement plus modestes d'accéder à la gestion de portefeuille. Il a également défini des attentes en matière d'ouverture rapide de compte, de transparence des frais et d'accès numérique permanent.
La prochaine génération de conseils basés sur l'IA devrait être plus complexe. Plutôt que de classer les clients dans de grandes catégories de risque, les systèmes pourraient prendre en compte les revenus, les dépenses, les besoins de liquidités, la situation fiscale et les engagements financiers à long terme.
Cela permet de mettre en place des stratégies plus personnalisées. Cela nécessite également davantage de données personnelles et un jugement plus nuancé.
Un portefeuille conçu sur la base d'informations incomplètes ou inexactes n'est pas véritablement personnalisé. Il n'est qu'une erreur commise avec davantage d'assurance.
Les économies réalisées attirent les institutions
Deloitte estime que l'analyse de données basée sur l'IA a permis de réduire les coûts d'exploitation de près de 30 % dans certaines entreprises.
Ces économies proviennent de plusieurs sources. Les systèmes permettent d'automatiser la collecte de données, l'établissement de rapports sur les portefeuilles et l'examen des documents. Les équipes d'investissement peuvent ainsi analyser un éventail plus large d'actifs sans augmenter leurs effectifs au même rythme. Les conseillers peuvent consacrer moins de temps à la préparation des analyses courantes.
Cela ne veut pas dire que la mise en œuvre de l'IA soit peu coûteuse.
Les institutions financières doivent investir dans les infrastructures de données, l'intégration des systèmes, la cybersécurité et la formation du personnel. Les modèles doivent être testés et faire l'objet d'une surveillance continue. Le recours à des fournisseurs de technologies externes entraîne des frais de licence et crée des dépendances opérationnelles.
L'argument commercial est particulièrement convaincant lorsque l'IA permet de remplacer des tâches répétitives ou d'améliorer un processus s'appuyant déjà sur des données fiables. Il perd de sa force lorsque les entreprises tentent d'appliquer des analyses avancées à des systèmes fragmentés et à des données incohérentes.
Le simple fait d'être connecté à la technologie ne suffit pas à éliminer la complexité opérationnelle.
Le marché connaît une expansion rapide
Le marché mondial de l'IA dans le secteur des services financiers devrait atteindre 1 426,67 milliards de dollars d'ici 2024. Environ 70 % des institutions financières avaient soit déjà mis en place des solutions d'IA, soit prévu de le faire.
Ces chiffres témoignent d'un intérêt général, mais le terme « adoption » peut recouvrir des réalités très diverses.
Une institution peut utiliser l'IA pour classer des documents. Une autre peut l'utiliser pour la détection des fraudes, la segmentation de la clientèle ou la constitution de portefeuilles. Un projet pilote et un système analytique entièrement intégré constituent tous deux des exemples d'adoption, même si leur impact sur l'activité est très différent.
La distinction la plus utile est celle qui sépare l'expérimentation de l'utilisation opérationnelle.
L'IA ne revêt une importance stratégique que lorsqu'elle est intégrée aux décisions quotidiennes, qu'elle s'appuie sur des données fiables et qu'elle est bien comprise par les employés appelés à l'utiliser.
De nombreuses entreprises du secteur financier se trouvent encore à mi-chemin entre ces deux étapes. Elles se sont dotées d'outils, mais n'ont pas encore repensé leurs processus en fonction de ceux-ci.
La détection des fraudes permet d'établir plus clairement les faits
L'IA s'est déjà révélée utile pour détecter les activités suspectes. Les systèmes sont capables d'analyser un grand nombre de transactions, de repérer des schémas inhabituels et de comparer les comportements entre différents comptes.
Certaines sociétés de gestion de patrimoine font état d'une amélioration pouvant atteindre 50% de leurs taux de détection des fraudes.
Cette technologie peut aider les institutions à détecter des changements que les règles classiques pourraient ne pas repérer. Une transaction peut sembler légitime lorsqu'on l'examine isolément, mais devenir suspecte lorsqu'on la compare à l'activité antérieure d'un client ou à l'ensemble de son réseau.
Les faux positifs restent un défi. Une transaction inhabituelle n'est pas nécessairement frauduleuse, en particulier dans le domaine de la gestion de fortune privée, où les clients peuvent transférer des montants importants entre différentes sociétés, fiducies et juridictions.
Les systèmes automatisés doivent donc faire la distinction entre les opérations pouvant être traitées rapidement et les cas nécessitant une intervention humaine.
L'objectif ne devrait pas être de supprimer l'intervention humaine, mais plutôt de l'orienter de manière plus judicieuse.
La personnalisation repousse les limites des données
Les recommandations basées sur l'IA ont permis d'améliorer la satisfaction des clients jusqu'à 40%.
Des conseils mieux adaptés peuvent renforcer la relation client. Un conseiller qui comprend les besoins de liquidité, l'exposition au risque et les objectifs financiers d'un client peut offrir un service plus personnalisé qu'un portefeuille type standard.
L'IA peut y contribuer en centralisant les informations et en repérant les changements qui, sans cela, passeraient inaperçus.
Un système peut signaler que les réserves de trésorerie d'un client sont tombées en dessous d'un seuil convenu, qu'un portefeuille est devenu trop concentré ou qu'un engagement financier à venir nécessite une modification de la répartition des actifs.
Plus l'analyse est personnelle, plus elle gagne en finesse.
Les entreprises doivent disposer de règles claires précisant quelles données peuvent être collectées et comment elles peuvent être utilisées. Les clients doivent savoir si les recommandations reposent sur des informations qu'ils ont fournies directement, sur leur comportement observé ou sur des hypothèses générées par un modèle.
Une personnalisation qui ne s'accompagne pas de transparence peut donner davantage l'impression d'une surveillance que d'un service.
Les conseillers ont besoin d'un autre type d'expertise
L'IA modifie les attentes vis-à-vis des professionnels de la gestion de patrimoine.
Les analystes devront comprendre comment les modèles parviennent à leurs conclusions et où se situent leurs limites. Les conseillers doivent être capables de traduire les résultats générés automatiquement en recommandations compréhensibles pour les clients.
Cela ne signifie pas pour autant que chaque conseiller doive devenir un spécialiste des données. Cela exige toutefois de disposer de connaissances techniques suffisantes pour remettre en question un résultat plutôt que de simplement l'accepter tel quel.
Le rôle de l'humain revêt une importance particulière lorsque les objectifs financiers sont contradictoires. Un client peut souhaiter à la fois des rendements élevés, un risque faible, une liquidité immédiate et un horizon d'investissement à long terme. Aucun modèle ne peut concilier ces préférences sans établir de priorités.
Les conseillers doivent également savoir gérer les réactions des clients en période de volatilité des marchés. Un algorithme peut estimer qu'un portefeuille reste adapté, mais un client inquiet aura peut-être besoin d'un entretien avant de pouvoir maintenir ses placements.
La valeur d'un conseil humain réside en partie dans l'interprétation des chiffres et en partie dans la compréhension de la personne qui se cache derrière eux.
Les modèles peuvent accentuer les faiblesses existantes
Les systèmes d'IA apprennent à partir des données générées par les décisions antérieures. Si ces décisions comportent des biais, des hypothèses incomplètes ou des classifications erronées, le modèle risque de les reproduire à plus grande échelle.
Cela concerne la segmentation de la clientèle, les évaluations de l'adéquation et la sélection des placements.
Un système peut en déduire que des clients présentant des caractéristiques démographiques ou financières similaires recherchent des produits similaires. De telles tendances peuvent être statistiquement plausibles sans pour autant convenir à une personne en particulier.
Les modèles d'investissement sont confrontés à un problème similaire. Les données historiques peuvent favoriser des stratégies qui ont donné de bons résultats dans un contexte monétaire ou réglementaire particulier. Lorsque ce contexte évolue, ces conclusions peuvent ne plus être valables.
Les institutions financières doivent tester leurs modèles dans différents scénarios et vérifier si les résultats obtenus sont explicables. Elles devraient également surveiller les performances des systèmes après leur mise en service, plutôt que de partir du principe que la précision s'améliorera d'elle-même.
L'apprentissage continu n'est utile que si le système tire des enseignements d'informations pertinentes.
C'est la gouvernance qui détermine si la taille devient un risque
À mesure que l'IA gagne en importance, les institutions doivent définir clairement les responsabilités liées à son utilisation.
Les comités d'investissement doivent savoir quelles décisions s'appuient sur l'IA et lesquelles sont automatisées. Les équipes chargées de la conformité doivent pouvoir accéder à la logique qui sous-tend la classification des clients et les alertes de risque. La direction doit savoir dans quels cas des prestataires externes interviennent.
Les directives éthiques ne suffisent pas à elles seules. La gouvernance nécessite des contrôles concrets.
Les entreprises doivent mettre en place des procédures pour valider les modèles, tester les données, consigner les modifications et intervenir lorsqu'un système se comporte de manière inattendue. Les employés doivent savoir dans quelles circonstances il est possible de passer outre un résultat généré automatiquement et comment cette décision doit être documentée.
Les clients doivent également disposer d'un moyen de contester les décisions qui les concernent.
Une institution ne peut pas transférer sa responsabilité fiduciaire ou réglementaire à un algorithme. L'entreprise reste responsable, même lorsque la technologie est fournie par un tiers.
Les données deviennent l'atout concurrentiel majeur
Les institutions financières présentent souvent les modèles d'IA comme un facteur de compétitivité. Dans la pratique, de nombreuses entreprises auront accès à des technologies similaires.
C'est sans doute dans les données que réside l'avantage le plus durable.
Un gestionnaire de patrimoine disposant d'informations complètes, précises et bien structurées peut utiliser l'IA pour générer des analyses plus pertinentes. Un concurrent dont les données sont fragmentées obtiendra des résultats moins performants avec le même modèle.
La qualité des données est particulièrement difficile à garantir dans le domaine de la gestion de fortune privée. Les actifs peuvent être détenus par l'intermédiaire de plusieurs banques, sociétés et structures juridiques. Les investissements privés ne font l'objet d'une évaluation que rarement. Les informations peuvent être transmises sous différents formats et dans différentes devises.
Avant de pouvoir proposer des analyses avancées, les entreprises doivent résoudre le problème fondamental qui consiste à établir une vision cohérente du patrimoine de leurs clients.
Ce travail est moins visible que le lancement d'un assistant IA. Il est aussi plus important.
La valeur est peut-être importante, mais elle est répartie de manière inégale
McKinsey estime que l'IA pourrait générer jusqu'à 1 000 milliards de dollars de valeur ajoutée pour le secteur bancaire mondial d'ici 2028.
Cette valeur ne sera pas répartie de manière uniforme. Les grandes institutions peuvent investir massivement dans des systèmes propriétaires, des données et des experts spécialisés. Les petites entreprises pourront tirer parti de plateformes externes moins coûteuses, mais auront moins de contrôle sur leur infrastructure technologique.
Certains de ces gains se traduiront par une baisse des coûts d'exploitation. D'autres pourraient résulter d'une meilleure gestion des risques, d'une détection plus efficace de la fraude ou de la capacité à servir des clients qui n'étaient auparavant pas rentables.
Il y aura également des investissements infructueux. Les entreprises peuvent acquérir des outils que les employés n'utilisent pas, des systèmes qui ne peuvent pas être intégrés ou des modèles dont les résultats s'avèrent trop peu fiables pour prendre des décisions importantes.
Les dépenses consacrées à l'IA doivent donc être évaluées comme n'importe quel autre investissement. Les institutions doivent définir clairement le problème à résoudre, fixer des résultats mesurables et établir un plan de mise en œuvre crédible.
La simple présence de l'IA ne constitue pas en soi une preuve d'innovation.
Une meilleure analyse passe par de meilleures décisions
L'intelligence artificielle continuera de se généraliser dans le secteur mondial de la gestion de patrimoine. L'apprentissage automatique, le traitement du langage naturel et l'analyse des données en temps réel deviendront des fonctionnalités courantes des plateformes d'investissement.
À mesure que cela se produira, la technologie elle-même perdra de son caractère distinctif.
Les entreprises les plus performantes seront celles qui sauront allier rapidité d'analyse, gouvernance rigoureuse et jugement éclairé par l'expérience. Elles utiliseront l'IA pour détecter les risques, organiser les informations et remettre en question les hypothèses, plutôt que de considérer ses résultats comme des consignes à suivre.
Les clients ne se soucient guère de savoir quel algorithme se cache derrière leur portefeuille. Ce qui leur importe, c'est que leur conseiller comprenne leur situation, protège leurs données et prenne des décisions qui s'expliquent.
L'IA peut rendre la gestion de patrimoine plus efficace et plus réactive. Elle peut élargir l'accès à des analyses pointues et offrir aux professionnels de l'investissement une vision plus claire des portefeuilles complexes.
Elle ne peut pas déterminer à quoi sert la richesse, quels risques une famille devrait accepter ni comment résoudre les conflits entre différentes priorités financières.
Ces questions restent humaines. Une technologie plus performante n'a d'intérêt que si elle permet d'y répondre de manière plus éclairée.
