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 l’actualité et les événements fintech de premier plan !

Abonnez-vous à la newsletter de FinTech Weekly

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

De la compression des frais aux évolutions défavorables des conditions macroéconomiques, en passant par l’intensification 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 de 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 une soupape de soulagement est à portée de main, sous la forme de déploiements ciblés et bien positionnés d’intelligence artificielle. L’IA, sous ses différentes formes — générative, agentique, etc. — commence à démontrer sa valeur dans un éventail de cas d’usage pour les fonctions front, middle et back-office, offrant ainsi aux gestionnaires d’actifs les moyens de capter de nouvelles améliorations de productivité et d’efficacité, d’identifier et de saisir des opportunités commerciales rentables en avance sur la concurrence. Dans son analyse, fondée sur une enquête auprès de dirigeants C-level 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, équivalant à 25 à 40 % 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 la plus forte valeur.

Déployer l’IA pour un impact maximal

Les entreprises du secteur de la gestion d’actifs emploient l’IA sur de nombreux fronts. Une grande partie de cette activité a lieu au sein de grandes organisations qui disposent des ressources nécessaires pour développer leurs propres capacités autour des modèles de langage, avec des agents d’IA ciblés et similaires. Mais l’autre face de la médaille de l’IA est qu’elle peut aussi aider les gestionnaires d’actifs en dehors des plus grandes organisations de niveau 1 à se mesurer à ces firmes de manière plus équitable.

De plus, même si de nombreuses organisations orientent leurs investissements vers des cas d’usage d’IA orientés client, il ne faut pas négliger les opportunités de créer de la valeur grâce à d’autres implémentations d’IA évolutives (scalable) dans les front, middle et back offices. Plutôt que de rechercher des solutions ponctuelles qui pourraient ne pas bien s’intégrer entre elles, l’approche la plus judicieuse pour générer de la valeur avec l’IA pourrait être de cibler des investissements qui dissolvent les barrières virtuelles entre les trois couches de l’office afin de créer des gains d’efficacité, de renforcer la productivité, de rationaliser les processus et d’améliorer la qualité de l’information pour la planification et la stratégie.

En bref : cherchez des cas d’usage de l’IA qui encouragent — et peuvent exploiter — la circulation plus libre des données au sein d’une organisation. Voici quelques exemples qui semblent particulièrement prometteurs :

1. Automatiser et accélérer la clôture financière et d’autres fonctions finance. Historiquement, la finance a été une zone où abondent les processus manuels. Avec l’aide d’agents d’IA, les organisations de gestion d’actifs ont la possibilité d’automatiser une grande partie des processus autour de la fonction finance, y compris la clôture financière ainsi que AR, AP, la réconciliation des factures et autres. Dans ces scénarios, l’IA peut contribuer à une meilleure automatisation du mouvement des données. Elle peut aussi fournir aux utilisateurs métiers de la finance des notifications proactives – et des scénarios actionnables – pour des problèmes potentiellement non détectés liés à un excédent/déficit de capital, des ajustements de bilan et autres.

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

3. Identifier et mobiliser rapidement des opportunités 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. Qu’indiquent les données historiques sur la façon dont un changement de frais impacterait les comptes clients ? Y a-t-il des opportunités de scinder une zone existante du business (comme une catégorie d’actifs ou des fonds géographiques spécifiques) en deux ou plusieurs parties, ou de regrouper les clients différemment, et si oui, à quel point l’argumentaire business est solide pour des mouvements comme ceux-ci ?

4. Éclairer les décisions concernant l’expansion vers de nouveaux produits ou de nouvelles zones géographiques. Votre organisation envisage une entrée dans un marché géographique prometteur mais relativement risqué. Comment se sont déroulés les mouvements passés de ce type en termes de coûts attendus et réels ? Quels sont les impacts probables sur la réglementation et les RH d’une telle démarche ? Un dialogue avec un assistant numérique d’IA générative peut fournir des réponses précieuses à des questions comme celles-ci, menant à des décisions stratégiques mieux informées.

5. Modéliser des scénarios “what-if” autour de l’impact potentiel du rééquilibrage de portefeuille sur les résultats futurs, ainsi que sur les priorités d’investissement et l’appétit pour le risque des clients. Les outils d’IA peuvent apporter une visibilité sur l’impact potentiel de ce type de changements, tout en proposant des recommandations sur le calendrier optimal compte tenu des obligations liées aux comptes à payer et d’autres facteurs. En reliant ce type d’informations aux données, l’IA aide à combler les décalages d’information entre la fonction finance et la gestion de portefeuille 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 de 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 parlé récemment disent que leurs organisations cherchent à doubler les actifs sous gestion sans augmentations matérielles des effectifs, simplement en exploitant plus largement l’IA et les agents d’IA dans l’ensemble de leurs organisations. Ils créent des agents d’IA et les placent directement aux côtés des employés — comme des extensions numériques de ces employés, en quelque sorte. Au final, les gains de productivité que ces agents procurent permettent à de petites et moyennes structures de “frapper au-dessus de leur poids” pour rivaliser à un niveau plus équitable avec des firmes plus grandes.

7. Affiner la détection des fraudes lors de l’onboarding des clients. L’IA est particulièrement douée pour analyser et valider rapidement 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 nécessitent donc davantage de contrôles.

Aussi marquants que puissent être des cas d’usage comme ceux-ci au sein d’une organisation de gestion d’actifs, la maximisation de leur valeur dépend très largement de la qualité et de l’accessibilité des données qui les alimentent. Avant tout, les données doivent être compréhensibles pour l’humain et la machine, en libre-service. Souvent, les entreprises extraient les données des applications sources et les déplacent vers un data lake. Toutefois, ce faisant, on supprime des sémantiques et du contexte vitaux spécifiques à l’environnement de l’application. Sans ces métadonnées, la sortie de l’IA — et l’impact global — pourrait être en deçà de ce qui est optimal. Ainsi, dans de nombreux cas, les organisations ont davantage intérêt à laisser ces données dans leur environnement applicatif naturel, accompagnées des métadonnées correspondantes. Considérez les données dans ces applications comme des 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 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 des capitaux, de la gestion d’actifs et de la gestion de patrimoine chez SAP. Pendant plus de 20 ans, il a travaillé avec les données dans l’industrie des marchés des capitaux, dans des fonctions couvrant la gestion de produit, le développement commercial et la gestion d’entreprise.