L'utilisation de l'IA par les gestionnaires d'actifs 

Pour les propriétaires d'actifs, aller au-delà du marketing et des argumentaires bien rodés — et comprendre non seulement ce que fait un gestionnaire d'actifs avec l'IA, mais aussi comment il le fait — est essentiel. Après tout, « nous utilisons l'IA » ou « alimenté par l'IA » peut signifier n'importe quoi, de l'automatisation basique à des modèles opérationnels influençant des portefeuilles en direct. Une due diligence efficace doit déterminer si l'utilisation de l'IA par un gestionnaire est intentionnelle, crédible, bien gouvernée, empiriquement validée, qu'elle apporte de la valeur rapidement et qu'elle est durable à l'échelle.

L'enquête Mercer 2026 sur l'IA dans la gestion d'actifs^[1] montre que l'adoption est réelle mais inégale: 55 % des gestionnaires d'actifs déclarent que l'IA est intégrée à au moins un des processus d'investissement de leur stratégie, 27 % sont au stade pilote/concept, et seulement 18 % déclarent ne pas en être encore intégrés. Cette dispersion est importante: les investisseurs doivent préciser ce qui est réellement en opération, ce qui reste expérimental et comment est définit le « succès ». Avec 91 % des gestionnaires répondant qu'ils prévoient augmenter leur utilisation de l'IA au cours des 12 prochains mois, c'est un sujet qu'on ne peut ignorer.

Alors que l'IA devient un sujet de plus en plus courant dans les échanges avec les gestionnaires d'actifs, voici quelques éléments à considérer lorsque les propriétaires d'actifs et les allocateurs évaluent l'utilisation de l'IA dans les processus d'investissement des gestionnaires.

Ces questions visent à distinguer les applications motivées par le métier d'une adoption principalement exploratoire ou purement marketing. De bonnes réponses exposent une hypothèse claire sur la manière dont l'IA peut améliorer les résultats (p. ex., découverte de signaux, rapidité, couverture, réduction des coûts ou gestion des risques) et où elle est appliquée (génération d'idées, prévisions, construction de portefeuille, exécution, etc.). 

Les résultats de l'enquête Mercer suggèrent que, parmi les cas d'usage « déjà intégrés », les plus courants aujourd'hui sont la génération d'idées/la recherche, le traitement de données non structurées/externes et la génération de signaux/l'analyse des tendances du marché. Beaucoup moins de gestionnaires d'actifs déclarent l'IA intégrée à la construction de portefeuille ou à l'exécution des transactions. Par conséquent, cartographier la place de l'IA dans le flux de travail n'est pas qu'une formalité documentaire — cela permet de préciser si l'IA élargit principalement la couverture et l'analyse de la recherche, ou si elle façonne directement les expositions, le dimensionnement et le comportement de courtage.

Notre enquête indique que la plupart des entreprises décrivent leur intégration de l'IA comme opérationnelle (74 % l'utilisent pour l'automatisation/l'efficacité) et/ou en tant que « copilote » (69 % l'utilisent pour l'analyse/les insights), seulement 6 % déclarant que l'IA est utilisée pour la prise de décision. 

Lorsque des gestionnaires évoquent une « surperformance pilotée par l'IA », il convient de comprendre ce que « surperformance » signifie et d'ajuster les attentes. Dans l'enquête, les avantages mesurables les plus courants étaient une efficacité opérationnelle accrue (69 % ont cité cet avantage) et des perspectives ou une prise de décision plus rapides/de meilleure qualité (55 % ont observé ces améliorations). L'amélioration des rendements et la réduction du risque/ de la volatilité ont été citées beaucoup moins souvent (8 % chacune). 

La durabilité opérationnelle compte autant que l'innovation. Le choix du modèle d'IA déterminera l'explicabilité et la robustesse des résultats, ainsi que la complexité opérationnelle, les risques et les besoins de surveillance. Une réponse crédible du gestionnaire doit décrire clairement les architectures ou techniques de modèles utilisées, quelles sont les caractéristiques/entrées clés et pourquoi ces modèles ont été choisis plutôt que d'autres. Les gestionnaires doivent également être capables d'expliquer les compromis pratiques entre performance, interprétabilité et risque opérationnel. Les réponses faibles s'appuient sur des mots à la mode. 

Une différence clé entre les prototypes et les systèmes de production réside dans la gouvernance, la rigueur des mesures et la surveillance continue. Sans cela, les backtests peuvent induire en erreur et les performances se détériorer sans être remarquées. Les investisseurs doivent évaluer si le gestionnaire utilise des méthodes rigoureuses, s'il maîtrise les écueils courants (surapprentissage, biais d'anticipation) et s'il peut démontrer une fiabilité continue. Ils doivent déterminer si le modèle opérationnel est durable, avec une responsabilisation claire, des effectifs adéquats, une gestion du risque liée aux tiers et des contrôles de résilience appropriés. 

La dépendance à un fournisseur peut créer un risque de concentration, et une gouvernance faible peut introduire des vulnérabilités liées aux modèles, à la cybersécurité et à la continuité. Il est important de comprendre quels composants sont fournis par des fournisseurs (données, modèles, infrastructure) et quelles vérifications diligentes sont effectuées sur ces fournisseurs. Considérez les sources de données et la licence, quels sont les droits d'utilisation et l'auditabilité ? Une gouvernance des données déficiente peut engendrer des risques opérationnels, de réputation et réglementaires, et conduire à des modèles fragiles ou à des expositions cachées (licences, confidentialité et biais).

Notre enquête a montré que 63 % des gestionnaires utilisent des outils d'IA prêts à l'emploi fournis par des fournisseurs, 51 % utilisant des outils fournisseurs avec une certaine personnalisation propriétaire. En ce qui concerne les données, 58 % utilisent certaines données fournies par des fournisseurs. Plus des deux tiers (69%) des répondants ont cité la qualité/l'accès aux données comme principal obstacle à une adoption plus large de l'IA.  

Notre enquête suggère également que de nombreux programmes fonctionnent avec des ressources internes réduites, la plupart des firmes déclarant n'avoir qu'un petit nombre de spécialistes en IA dédiés au sein de l'équipe d'investissement (57 % citant 1-5 employés à temps plein dédiés au développement, à la mise en œuvre ou à la supervision de l'IA). 

L'évaluation de l'IA ne dépend pas du caractère technologique avancé que prétend afficher un gestionnaire. Il s'agit de savoir si l'IA répond à un problème d'investissement défini, si elle est appuyée par une gouvernance solide, validée avec rigueur empirique, surveillée en production et exploitée sous une gouvernance claire avec des contrôles résilients.  

Lorsqu'on évalue des gestionnaires d'actifs, il est essentiel de distinguer une capacité en IA durable et reproductible des discours marketing et des risques non maîtrisés.