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 de 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 d’autres

Du resserrement des frais aux évolutions défavorables des conditions macroéconomiques, en passant par les 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 significatifs alors que le calendrier se dirige vers 2026.

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

Mais une soupape de décompression est à portée de main sous la forme de déploiements ciblés et bien placés de l’intelligence artificielle. L’IA sous ses différentes formes - générative, agentique, etc. - commence à démontrer sa valeur dans un éventail de cas d’utilisation de front, de milieu et de back-office, donnant aux gestionnaires d’actifs les moyens de capturer de nouvelles gains de productivité et d’efficacité, d’identifier et de capitaliser sur de nouvelles opportunités commerciales rentables avant la concurrence. Dans son analyse, qui est basée sur une enquête auprès de cadres dirigeants d’entreprises de gestion d’actifs à travers l’Amérique du Nord et l’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, alors, est de déterminer où, au sein de leurs organisations, l’IA peut fournir le plus de valeur.

Déployer l’IA pour un impact maximal

Les entreprises à travers le paysage de la gestion d’actifs emploient l’IA sur une variété de fronts. Une grande partie de cette activité se déroule au sein d’organisations plus grandes qui ont les ressources profondes pour développer leurs propres capacités autour de modèles de langage de grande taille, avec des agents IA ciblés et similaires. Mais l’autre face de la pièce de l’IA est qu’elle peut également aider les gestionnaires d’actifs en dehors des plus grandes organisations de premier ordre à rivaliser sur un pied d’égalité avec ces grandes entreprises.

De plus, tandis que de nombreuses organisations concentrent leurs investissements sur des cas d’utilisation d’IA orientés client, il est important de ne pas négliger les opportunités de créer de la valeur avec d’autres implémentations d’IA évolutives dans les bureaux avant, milieu et arrière. Plutôt que de rechercher des solutions ponctuelles qui peuvent ne pas bien s’intégrer les unes aux autres, l’approche la plus sage pour générer de la valeur à partir de l’IA pourrait être de cibler des investissements qui dissolvent les murs virtuels entre les trois couches de bureau pour créer des efficacités, renforcer la productivité, rationaliser les processus et mieux informer la planification et la stratégie.

En bref, recherchez des cas d’utilisation d’IA qui encouragent - et peuvent tirer parti - du mouvement plus libre des données à travers une organisation. Voici quelques exemples qui semblent particulièrement prometteurs :

1. Automatiser et accélérer la clôture financière et d’autres fonctions financières. La finance a historiquement été un domaine rempli de processus manuels. Avec l’aide d’agents IA, les organisations de gestion d’actifs ont l’opportunité d’automatiser de nombreux processus autour de la fonction financière, y compris la clôture financière ainsi que les comptes clients, les comptes 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 métiers de la finance des notifications proactives - et des scénarios exploitables - pour des problèmes potentiellement invisibles liés aux surplus/déficits de capital, aux ajustements de bilan, etc.

2. Améliorer la gestion des risques grâce à un véritable alignement avec la finance. Les données du back-office peuvent être immensément précieuses pour les équipes de gestion des risques dans le middle office. Ces équipes peuvent utiliser des données sur les avoirs des investisseurs, les flux de trésorerie, la liquidité du marché, les marges/collatéraux, etc., combinées avec des données de profils clients et de communications pour identifier les premiers signaux de rachat de clients et de risques de liquidité associés.

3. Identifier et mobiliser rapidement des opportunités pour de nouvelles structures de frais et modèles commerciaux. Les organisations peuvent inciter leurs outils d’IA à rechercher et à modéliser l’impact potentiel des changements de frais ainsi que de nouveaux modèles commerciaux. Que suggère les données historiques sur la façon dont un changement de frais pourrait affecter les comptes clients ? Existe-t-il des opportunités de diviser un domaine existant de l’entreprise (comme une classe d’actifs spécifique ou des fonds géographiques) en deux ou plusieurs parties, ou de regrouper les clients différemment, et si oui, quelle est la solidité du cas commercial pour de tels mouvements ?

4. Informer les décisions concernant l’expansion vers de nouveaux produits ou géographies. Votre organisation envisage un déménagement vers un marché géographique prometteur mais relativement risqué. Comment les mouvements passés comme ceux-ci se sont-ils déroulés en termes de coûts prévus et réels ? Quels sont les impacts réglementaires et RH probables d’un tel déménagement ? Un dialogue avec un assistant numérique IA génératif peut fournir des réponses précieuses à des questions comme celles-ci, aboutissant à des décisions stratégiques mieux informées.

5. Modéliser des scénarios « et si » autour de l’impact potentiel du rééquilibrage de portefeuille sur les bénéfices futurs ainsi que sur les priorités d’investissement des clients et leurs appétits pour le risque. Les outils d’IA peuvent fournir des informations sur l’impact potentiel de ces types de changements, tout en offrant également des recommandations sur le moment optimal en tenant compte des obligations de comptes fournisseurs et d’autres facteurs. En établissant des connexions comme celle-ci avec les données, l’IA aide à résoudre les déconnexions d’informations entre la fonction financière et la gestion de portefeuille de front-office, soutenant une planification stratégique et un budget plus pertinents.

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 d’éléments individuels de son portefeuille avec des données sur l’appétit pour le risque des clients et les structures de frais. L’objectif est de mieux comprendre les répercussions financières du rééquilibrage de portefeuille par rapport aux attentes des clients et aux bénéfices futurs.

6. Accroître la productivité. Certains responsables de la gestion d’actifs avec qui j’ai parlé récemment disent que leurs organisations cherchent à doubler les actifs sous gestion sans augmenter de manière significative les effectifs, simplement en tirant parti de l’IA et des agents IA plus largement au sein de leurs organisations. Ils créent des agents IA et les mettent juste à côté des employés - comme des extensions numériques de ces employés, en essence. En fin de compte, les gains de productivité que ces agents fournissent permettent aux petites et moyennes entreprises de rivaliser sur un pied d’égalité avec les grandes entreprises.

7. Affiner la détection de fraude lors de l’intégration des clients. L’IA est capable de scanner et de valider rapidement l’authenticité des documents d’intégration, en identifiant même les anomalies les plus mineures (dans la taille de la police, le formatage des documents, etc.) qui peuvent suggérer qu’un client n’est pas qui il semble et nécessite donc un examen plus approfondi.

Aussi impactants que puissent être des cas d’utilisation comme ceux-ci au sein d’une organisation de gestion d’actifs, maximiser leur valeur dépend fortement de la qualité et de l’accessibilité des données qui les alimentent. Tout d’abord, les données doivent être compréhensibles pour les humains et les machines sur une base de libre-service. Souvent, les entreprises extraient des données des applications sources et les déplacent dans un lac de données. Cependant, ce faisant, elles suppriment des sémantiques et un contexte vitaux spécifiques à l’environnement de l’application. Sans ces métadonnées, la sortie de l’IA - et son impact global - pourrait être sous-optimal. Ainsi, dans de nombreux cas, les organisations sont mieux servies en laissant ces données dans leur environnement d’application naturel aux côtés des métadonnées accompagnantes. Pensez aux données dans ces applications comme les batteries qui alimentent l’IA générative, l’IA agentique et l’analytique intelligente au sein d’une organisation. Plus les batteries sont puissantes, mieux positionnée une organisation de gestion d’actifs sera pour tirer parti de ses investissements en IA pour trancher à travers les vents contraires auxquels elle est confrontée.

À propos de l’auteur

Stuart Grant est responsable des marchés de 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 de capitaux dans des rôles couvrant la gestion de produits, le développement commercial et la gestion d’entreprise.