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 nouvelles et 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 changements macroéconomiques défavorables, 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 significatifs alors que le calendrier se tourne 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 avaient 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 tels facteurs.

Mais une soupape de décharge est à portée de main sous la forme de déploiements d’intelligence artificielle ciblés et bien placés. 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, qui est basée sur une enquête auprès de dirigeants de niveau C 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. Beaucoup de ces activités se déroulent au sein de grandes organisations qui disposent des ressources nécessaires pour développer leurs propres capacités autour de modèles de langage de grande taille, avec des agents d’IA ciblés et autres. Mais l’autre côté de la pièce de l’IA est qu’elle peut également aider les gestionnaires d’actifs en dehors des plus grandes organisations de premier niveau à rivaliser sur un pied d’égalité avec ces grandes entreprises.

De plus, bien que de nombreuses organisations concentrent leurs investissements sur des cas d’utilisation de l’IA orientés vers le client, il est important de ne pas négliger les opportunités de créer de la valeur avec d’autres implémentations évolutives de l’IA à travers les bureaux front, middle et back. Plutôt que de rechercher des solutions ponctuelles qui peuvent ne pas bien s’intégrer les unes aux autres, l’approche 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 de l’IA qui encouragent — et peuvent tirer parti — d’un mouvement 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 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 autour de la fonction financière, y compris la clôture financière ainsi que la comptabilité des créances, la comptabilité des dettes, 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 commerciaux de la finance des notifications proactives – et des scénarios exploitables – pour des problèmes potentiellement invisibles liés aux excédents/défauts 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 concernant les avoirs des investisseurs, les flux de trésorerie, la liquidité du marché, les marges/collatéraux, etc., combinées aux données de profil client et de communications pour identifier des signaux précoces 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 d’affaires. Les organisations peuvent inciter leurs outils d’IA à rechercher et modéliser l’impact des changements de frais potentiels ainsi que de nouveaux modèles commerciaux. Que suggèrent les données historiques sur la manière dont un changement de frais influencerait les créances clients ? Existe-t-il des opportunités de diviser un domaine existant de l’entreprise (tel qu’une classe d’actifs spécifique ou des fonds géographiques) en deux parties ou plus, ou de regrouper les clients différemment, et dans ce cas, quel est le poids du dossier commercial pour de tels mouvements ?

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

5. Modéliser des scénarios « et si » concernant l’impact potentiel du rééquilibrage du 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 insights sur l’impact potentiel de ces types de changements, tout en offrant également des recommandations sur le moment optimal en fonction des obligations de comptes à payer 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 en 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 au risque des clients et les structures de frais. L’objectif est de mieux comprendre les répercussions financières du rééquilibrage du portefeuille par rapport aux attentes des clients et aux bénéfices futurs.

6. Accroître la productivité. Certains cadres de gestion d’actifs avec qui j’ai récemment parlé disent que leurs organisations cherchent à doubler les actifs sous gestion sans augmentation matérielle des effectifs, simplement en tirant parti de l’IA et des agents d’IA de manière plus large dans leurs organisations. Ils créent des agents d’IA et les mettent aux côtés des employés — comme des extensions numériques de ces employés, en fait. En fin de compte, les gains de productivité que ces agents fournissent permettent aux petites et moyennes entreprises de rivaliser de manière plus équitable avec des entreprises plus grandes.

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

Aussi percutants 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 tant pour l’homme que pour la machine sur une base en 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 d’application. Sans ces métadonnées, la sortie de l’IA — et l’impact global — pourraient être sous-optimaux. Ainsi, les organisations sont souvent mieux servies en laissant ces données dans leur environnement d’application naturel aux côtés des métadonnées accompagnantes. Pensez aux données de 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 une organisation de gestion d’actifs sera positionnée pour tirer parti de ses investissements en IA afin de surmonter les vents contraires qui les confrontent.

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.