Sept cas d'utilisation de l'IA pour aider les gestionnaires d'actifs à augmenter l'efficacité et la 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 cadres de JP Morgan, Coinbase, Blackrock, Klarna et plus encore

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 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 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, donnant 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 de niveau C de sociétés 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 leurs structures, 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. Une grande partie de cette activité se déroule au sein de grandes organisations disposant des ressources approfondies pour développer leurs propres capacités autour de modèles de langage étendus, avec des agents 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 niveau 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 sage pour générer de la valeur à partir de l’IA pourrait consister à cibler des investissements qui dissolvent les murs virtuels entre les trois couches de bureaux afin de créer des efficacités, renforcer la productivité, rationaliser les processus et mieux informer 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 à travers une organisation. En voici quelques-uns qui semblent 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 IA, les organisations de gestion d’actifs ont l’opportunité d’automatiser bon nombre des processus liés à la fonction financière, y compris la clôture financière ainsi que les 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 métier 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 en 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 le risque de liquidité associé.

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 des données sur la façon dont un changement de frais pourrait impacter les comptes clients ? Existe-t-il des opportunités de diviser une zone d’activité existante (comme une classe d’actifs spécifique ou des fonds géographiques) en deux ou plusieurs parties, ou de segmenter différemment les clients, et si oui, quelle est la solidité du cas commercial pour de telles démarches ?

4. Informer les décisions d’expansion vers de nouveaux produits ou régions. 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 impacts réglementaires et RH probables d’un tel mouvement ? Un dialogue avec un assistant numérique génératif 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 gains ainsi que sur les priorités d’investissement et la tolérance au risque des clients. Les outils d’IA peuvent fournir un aperçu de l’impact potentiel de ces types de 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 de ce type avec les données, l’IA aide à combler les déconnexions d’informations entre la fonction financière et la gestion de portefeuille en front-office, soutenant une planification stratégique et une budgétisation plus ciblées.

Dans le cas d’une société avec laquelle je travaille, par exemple, ils cherchent à combiner des données d’attribution de portefeuille sur la performance des éléments individuels de leur portefeuille avec des données sur la tolérance au risque et la structure des frais des clients. L’objectif est de mieux comprendre les répercussions financières du rééquilibrage de portefeuille par rapport aux attentes des clients et aux gains futurs.

6. Accroître la productivité. Certains cadres de la gestion d’actifs avec qui je me suis récemment entretenu disent que leurs organisations cherchent à doubler les actifs sous gestion sans augmentation significative des effectifs, simplement en utilisant davantage l’IA et des agents IA à l’échelle de leur organisation. Ils créent des agents IA et les placent directement aux côtés des employés — en tant qu’extensions numériques de ces employés, 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 habile à analyser rapidement et à valider l’authenticité des documents d’intégration, en identifiant même les anomalies mineures (dans la taille de la police, la mise en page du document, etc.) qui peuvent indiquer qu’un client n’est pas celui qu’il prétend être et nécessitent donc 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, les 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 sortie de l’IA — et son impact global — pourrait être sous-optimale. Ainsi, dans de nombreux cas, il est préférable que les organisations laissent ces données dans leur environnement applicatif naturel, accompagnées de leurs 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 sera positionnée pour exploiter ses investissements en IA afin de 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 couvrant la gestion de produits, le développement commercial et la gestion d’entreprise.