Sept cas d'utilisation de l'IA pour aider les gestionnaires d'actifs à augmenter leur efficacité et leur productivité face aux vents contraires du marché

Stuart Grant est responsable des marchés des capitaux, de la gestion d’actifs et de la gestion de patrimoine chez SAP.

Découvrez les meilleures actualités et événements fintech !

Abonnez-vous à la newsletter de FinTech Weekly

Lue par des dirigeants de JP Morgan, Coinbase, Blackrock, Klarna et bien d’autres

De la compression des frais aux changements défavorables dans les conditions macroéconomiques, en passant par des investissements technologiques croissants qui n’ont pas encore porté leurs fruits comme prévu, les organisations de gestion d’actifs font face à des vents contraires importants à l’approche de 2026.

Dans une analyse de 2025 sur l’industrie mondiale de la gestion d’actifs, McKinsey & Company a constaté, par exemple, que les marges des gestionnaires d’actifs ont diminué de trois points de pourcentage en Amérique du Nord et de cinq points en Europe au cours des cinq dernières années, en raison de facteurs tels que ceux-ci.

Mais une soupape de décharge est à portée de main sous la forme de déploiements ciblés et bien placés d’intelligence artificielle. L’IA sous ses différentes formes — générative, agentique, etc. — commence à démontrer sa valeur dans une gamme de cas d’utilisation en front, middle et back-office, offrant aux gestionnaires d’actifs les moyens de capturer de nouveaux gains de productivité et d’efficacité, d’identifier et de capitaliser sur de nouvelles opportunités commerciales rentables avant la concurrence. Dans son analyse, basée sur une enquête auprès de cadres supérieurs d’entreprises de gestion d’actifs en Amérique du Nord et en Europe, McKinsey a déterminé que pour un gestionnaire d’actifs moyen, l’impact potentiel de l’IA, de l’IA générative et de l’IA agentique « pourrait être transformateur, équivalent à 25 à 40 pour cent de leur base de coûts. »

Le défi pour les organisations de gestion d’actifs est donc de déterminer où, au sein de leur organisation, l’IA peut apporter le plus de valeur.

Déployer l’IA pour un impact maximal

Les entreprises du secteur de la gestion d’actifs utilisent l’IA sur divers fronts. La majorité de cette activité se concentre dans de grandes organisations disposant des ressources nécessaires pour développer leurs propres capacités autour des grands modèles de langage, avec des agents d’IA ciblés et autres. Mais l’autre côté de la pièce d’IA, c’est qu’elle peut aussi aider les gestionnaires d’actifs en dehors des plus grandes organisations de Tier One à rivaliser sur un pied d’égalité avec ces grandes entreprises.

De plus, alors que de nombreuses organisations concentrent leurs investissements sur des cas d’utilisation de l’IA orientés client, il ne faut pas négliger les opportunités de créer de la valeur avec d’autres implémentations d’IA évolutives dans les front, middle et back offices. Plutôt que de rechercher des solutions ponctuelles qui pourraient ne pas bien s’intégrer entre elles, une approche plus judicieuse pour générer de la valeur à partir de l’IA pourrait consister à cibler des investissements qui dissolvent les murs virtuels entre ces trois couches de bureaux afin de créer des gains d’efficacité, renforcer la productivité, rationaliser les processus et mieux orienter la planification et la stratégie.

En résumé, il faut rechercher des cas d’utilisation de l’IA qui encouragent — et peuvent tirer parti — la circulation plus libre des données dans toute l’organisation. Voici quelques exemples particulièrement prometteurs :

1. Automatiser et accélérer la clôture financière et autres fonctions financières. La finance a historiquement été un domaine rempli de processus manuels. Avec l’aide d’agents d’IA, les organisations de gestion d’actifs ont l’opportunité d’automatiser de nombreux processus liés à la fonction financière, y compris la clôture financière ainsi que la gestion des comptes clients, fournisseurs, la réconciliation des factures, etc. Dans ces scénarios, l’IA peut soutenir une automatisation améliorée du mouvement des données. Elle peut également fournir aux utilisateurs financiers des notifications proactives — et des scénarios exploitables — pour des problèmes potentiellement invisibles tels que les surplus ou déficits de capital, les ajustements du bilan, etc.

2. Améliorer la gestion des risques par une véritable alignement avec la finance. Les données du back-office peuvent être extrêmement précieuses pour les équipes de gestion des risques du middle office. Ces équipes peuvent utiliser des données sur les détentions des investisseurs, les flux de trésorerie, la liquidité du marché, la marge/garantie, etc., combinées avec des données sur le profil client et la communication pour identifier précocement des signaux de rachats de clients et les risques de liquidité associés.

3. Identifier et mobiliser rapidement des opportunités pour de nouvelles structures de frais et modèles commerciaux. Les organisations peuvent demander à leurs outils d’IA de rechercher et de modéliser l’impact potentiel de changements de frais ou de nouveaux modèles commerciaux. Que suggère l’historique quant à l’impact d’un changement de frais sur les comptes clients ? Existe-t-il des opportunités de diviser une zone d’activité existante (telle qu’une classe d’actifs ou un fonds géographique spécifique) en deux ou plusieurs parties, ou de segmenter différemment les clients, et si oui, quelle est la solidité du business case pour de telles démarches ?

4. Orienter les décisions d’expansion vers de nouveaux produits ou zones géographiques. Votre organisation envisage d’entrer sur un marché géographique prometteur mais relativement risqué. Comment ces mouvements passés se sont-ils soldés en termes de coûts prévus et réels ? Quelles sont les implications réglementaires et RH probables d’un tel mouvement ? Un dialogue avec un assistant numérique génératif d’IA peut fournir des réponses précieuses à ces questions, permettant de prendre des décisions stratégiques mieux informées.

5. Modéliser des scénarios “et si” autour de l’impact potentiel du rééquilibrage de portefeuille sur les futurs revenus, les priorités d’investissement des clients et leur appétit pour le risque. Les outils d’IA peuvent fournir des insights sur l’impact potentiel de ces changements, tout en proposant des recommandations sur le moment optimal en tenant compte des obligations de comptes fournisseurs et autres facteurs. En établissant des connexions entre ces données, l’IA aide à résoudre les déconnexions d’informations entre la finance et la gestion de portefeuille en front-office, soutenant une planification stratégique et un budget plus précis.

Dans le cas d’une entreprise avec laquelle je travaille, par exemple, elle cherche à combiner des données d’attribution de portefeuille sur la performance de ses éléments individuels avec des données sur l’appétit pour le risque et la structure tarifaire de ses clients. L’objectif est de mieux comprendre les répercussions financières du rééquilibrage de portefeuille par rapport aux attentes des clients et aux revenus futurs.

6. Accroître la productivité. Certains dirigeants en gestion d’actifs avec qui j’ai récemment échangé disent que leurs organisations cherchent à doubler leurs actifs sous gestion sans augmentation significative des effectifs, simplement en utilisant davantage l’IA et ses agents à l’échelle de leur organisation. Ils créent des agents d’IA et les placent directement aux côtés des employés — en tant qu’extensions numériques de ces derniers, en quelque sorte. En fin de compte, les gains de productivité que ces agents offrent permettent aux petites et moyennes entreprises de rivaliser à armes égales avec de plus grandes sociétés.

7. Renforcer la détection de fraude lors de l’intégration des clients. L’IA est capable de scanner rapidement et de valider l’authenticité des documents d’intégration, en identifiant même les anomalies mineures (taille de police, mise en page, etc.) pouvant indiquer qu’un client n’est pas celui qu’il prétend être, nécessitant ainsi un contrôle plus approfondi.

Aussi impactants que soient ces cas d’utilisation dans une organisation de gestion d’actifs, leur valeur maximale dépend fortement de la qualité et de l’accessibilité des données qui les alimentent. Avant tout, ces données doivent être compréhensibles par l’humain et la machine en libre-service. Souvent, les entreprises extraient des données des applications sources pour les transférer dans un lac de données. Cependant, cela supprime des sémantiques et un contexte vitaux propres à l’environnement applicatif. Sans ces métadonnées, la production de l’IA — et son impact global — pourrait être sous-optimale. Ainsi, dans de nombreux cas, il est préférable que ces données restent dans leur environnement applicatif naturel, accompagnées de métadonnées. Considérez ces données comme les batteries qui alimentent l’IA générative, l’IA agentique et l’analyse intelligente au sein d’une organisation. Plus les batteries sont puissantes, mieux une organisation de gestion d’actifs pourra exploiter ses investissements en IA pour surmonter les vents contraires qui la frappent.

À propos de l’auteur

Stuart Grant est responsable des marchés des capitaux, de la gestion d’actifs et de la gestion de patrimoine chez SAP. Depuis plus de 20 ans, il travaille avec des données dans l’industrie des marchés financiers, occupant des rôles dans la gestion de produits, le développement commercial et la gestion d’entreprise.