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 principales actualités et les événements fintech !

Abonnez-vous à la newsletter de FinTech Weekly

Lue par des dirigeants de JP Morgan, Coinbase, Blackrock, Klarna et plus encore

De la compression des frais à des évolutions défavorables des conditions macroéconomiques, en passant par l’augmentation des investissements technologiques qui n’ont pas encore produit les résultats escomptés, les organisations de gestion d’actifs font face à des vents contraires importants à l’approche de 2026.

Dans une analyse de 2025 portant 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 de pourcentage en Europe au cours des cinq dernières années, sous l’effet de facteurs comme ceux-ci.

Mais un dispositif de soulagement de la pression est à portée de main, sous la forme de déploiements ciblés et bien placés d’intelligence artificielle. L’IA sous ses diverses formes — générative, agentique, etc. — commence à démontrer sa valeur dans une gamme de cas d’usage de front-, middle- et back-office, donnant aux gestionnaires d’actifs les moyens de capter de nouvelles avancées en productivité et en efficacité, d’identifier et de saisir des opportunités commerciales rentables en avance sur la concurrence. Dans son analyse, qui s’appuie sur une enquête menée auprès de dirigeants C-level d’entreprises de gestion d’actifs en Amérique du Nord et en Europe, McKinsey a déterminé qu’« une entreprise gestionnaire d’actifs moyenne » pourrait être impactée de manière potentiellement « transformatrice » par l’IA, l’IA générative et l’IA agentique, ce qui représente l’équivalent de « 25 à 40 % de sa base de coûts ».

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

Déployer l’IA pour un impact maximal

Les entreprises de l’ensemble du secteur de la gestion d’actifs recourent à l’IA sur de nombreux fronts. Une grande partie de ces activités se déroule au sein de grandes organisations disposant des ressources nécessaires pour développer leurs propres capacités autour des modèles de grands langages, avec des agents d’IA ciblés et le reste. Mais l’autre face de la médaille de l’IA, c’est qu’elle peut aussi aider les gestionnaires d’actifs en dehors des plus grandes organisations de niveau un à rivaliser plus à armes égales contre ces firmes plus grandes.

De plus, même si de nombreuses organisations orientent leurs investissements vers des cas d’usage d’IA orientés client, il est important de ne pas négliger les opportunités de créer de la valeur grâce à d’autres implémentations d’IA évolutives dans les front-, middle- et back-offices. Plutôt que de rechercher des solutions ponctuelles qui ne s’intégreront peut-être pas bien les unes aux autres, l’approche la plus judicieuse pour générer de la valeur avec l’IA pourrait consister à cibler des investissements qui abattent les barrières virtuelles entre les trois couches de bureau afin de créer des gains d’efficacité, de renforcer la productivité, de rationaliser les processus et d’informer plus efficacement la planification et la stratégie.

En bref : recherchez des cas d’usage de l’IA qui encouragent — et peuvent exploiter — le libre mouvement des données au sein d’une organisation. Voici quelques exemples particulièrement prometteurs :

1. Automatiser et accélérer la clôture financière et les autres fonctions finance. Historiquement, la finance a été un domaine traversé par des processus manuels. Avec l’aide d’agents d’IA, les organisations de gestion d’actifs ont l’opportunité d’automatiser de nombreux processus autour de la fonction finance, y compris la clôture financière ainsi que la gestion des comptes clients (AR), des comptes fournisseurs (AP), la réconciliation des factures, et le reste. Dans ces scénarios, l’IA peut contribuer à améliorer l’automatisation des mouvements de données. Elle peut aussi fournir aux utilisateurs métiers finance une notification proactive — et des scénarios exploitables — en cas de problèmes potentiellement invisibles liés aux excédents/manques de capital, aux ajustements de bilan, etc.

2. Améliorer la gestion des risques grâce à un alignement réel 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 relatives aux participations des investisseurs, aux flux de trésorerie, à la liquidité de marché, aux marges/collatéraux, etc., combinées avec les données du profil client et celles des communications, afin d’identifier des signaux précoces de rachats de clients et le risque de liquidité associé.

3. Identifier et mobiliser rapidement des opportunités pour de nouvelles structures de frais et de nouveaux modèles économiques. Les organisations peuvent demander à leurs outils d’IA de rechercher et de modéliser l’impact de changements de frais potentiels ainsi que de nouveaux modèles économiques. Que suggèrent les données historiques sur la manière dont un changement de frais impacterait les comptes clients ? Y a-t-il des opportunités de scinder une partie existante du business (comme une catégorie d’actifs donnée ou des fonds géographiques) en deux ou plusieurs éléments, ou de segmenter les clients différemment, et, le cas échéant, le business case pour des mouvements comme ceux-ci est-il solide ?

4. Informer les décisions concernant l’expansion vers de nouveaux produits ou de nouvelles zones géographiques. Votre organisation envisage une entrée sur un marché géographique prometteur, mais relativement risqué. Comment les mouvements passés de ce type se sont-ils déroulés en termes de coûts attendus et réels ? Quels sont les impacts réglementaires et RH probables d’un tel mouvement ? Un dialogue avec un assistant numérique d’IA générative peut fournir des réponses précieuses à ce type de questions, permettant ainsi de prendre des décisions stratégiques mieux informées.

5. Modéliser des scénarios « et si » autour de l’impact potentiel du rééquilibrage du portefeuille sur les résultats 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 proposant des recommandations sur le calendrier optimal compte tenu des obligations de comptes fournisseurs et d’autres facteurs. En établissant des liens comme ceux-ci avec les données, l’IA contribue à résoudre les décalages d’information entre la fonction finance et la gestion de portefeuille du front-office, en soutenant une planification stratégique et une budgétisation plus ciblées.

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

6. Accroître la productivité. Certains dirigeants de la gestion d’actifs avec qui j’ai échangé récemment disent que leurs organisations cherchent à doubler les actifs sous gestion sans augmentation matérielle des effectifs, simplement en exploitant davantage l’IA et des agents d’IA dans l’ensemble de leurs organisations. Ils créent des agents d’IA et les placent juste à côté des employés — comme des extensions digitales de ces employés, essentiellement. En fin de compte, les gains de productivité offerts par ces agents permettent aux petites et moyennes entreprises de « peser » davantage pour rivaliser sur un terrain plus égal avec les grandes firmes.

7. Affiner la détection de la fraude lors de l’onboarding des clients. L’IA est particulièrement efficace pour analyser rapidement et valider l’authenticité des documents d’onboarding, en identifiant même les anomalies les plus mineures (taille de police, formatage du document, etc.) qui peuvent indiquer qu’un client n’est pas qui il semble être et donc nécessiter un filtrage plus strict.

Aussi percutants que puissent être des cas d’usage 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. Avant tout, les données doivent être compréhensibles par l’humain et la machine, en libre-service. Bien souvent, les entreprises extraient des données des applications sources et les déplacent vers un data lake. Cependant, ce faisant, elles retirent une sémantique vitale ainsi que le contexte spécifique à l’environnement applicatif. Sans ces métadonnées, la sortie de l’IA — et, plus largement, l’impact — pourrait être sous-optimal. Ainsi, dans de nombreux cas, les organisations auraient intérêt à laisser ces données dans leur environnement applicatif naturel, aux côtés des métadonnées correspondantes. Considérez les données dans ces applications comme des batteries qui alimentent l’IA générative, l’IA agentique et l’analytique intelligente au sein d’une organisation. Plus les batteries sont puissantes, mieux une organisation de gestion d’actifs sera en mesure d’exploiter ses investissements en IA pour traverser les vents contraires auxquels elle fait face.

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. Pendant plus de 20 ans, il a travaillé avec des données dans l’industrie des marchés de capitaux dans des fonctions couvrant la gestion de produit, le développement commercial et la gestion d’activité.