L’avenir de la gestion d’actifs porté par l’IA exige une confiance réinventée 

L’intelligence artificielle (IA) s’intègre de plus en plus dans la chaîne de valeur des services financiers, de la recherche et de la construction de portefeuille à la gestion des risques et au reporting client. Alors que l’adoption prend du retard sur le rythme des changements, comme c’est souvent le cas en période de disruption, une constante demeure : la confiance. 

Les fondations de la gestion d’actifs reposent, historiquement, sur plusieurs éléments clés, dont les relations et la confiance. Les investisseurs accordent leur confiance aux institutions, aux relations de conseil établies de longue date et au jugement de professionnels expérimentés pour prendre des décisions cruciales. Cette confiance est née de l’échange humain à humain, puis s’est étendue aux relations entre entreprises (partiellement encadrées par la réglementation) ; aujourd’hui, la « monnaie » de la confiance est en train d’évoluer à nouveau.

À mesure que l’IA s’intègre aux processus décisionnels, la confiance ne concerne plus seulement les individus ou les entreprises : elle s’étend aux systèmes, aux machines et surtout aux données qui les alimentent et qui sont de plus en plus utilisées pour prendre des décisions majeures. Pour certains détenteurs d’actifs et gestionnaires, la question n’est plus de savoir si l’IA jouera un rôle, mais comment maintenir la confiance à mesure que ce rôle s’amplifie.

On aborde souvent la confiance dans l’IA comme un enjeu technologique. En réalité, c’est d’abord un enjeu de données.

Les systèmes d’IA ne sont fiables qu’à la mesure des informations sur lesquelles ils sont entraînés. La qualité, la pertinence et l’étendue des données déterminent directement l’utilité des insights produits par l’IA. Une analogie simple se pose : feriez-vous davantage confiance à une recommandation fondée sur quatre points de données ou sur quarante ?

Selon nous, la profondeur et la continuité des données comptent. Elles permettent à l’IA d’identifier des motifs, d’extraire des signaux et de faire émerger des insights à partir d’un vaste jeu de données, ce qui serait souvent trop coûteux, voire impossible, par une analyse manuelle.

Il est tout aussi important de maintenir un humain dans la boucle pour garantir un point de départ de qualité, tant pour les données que pour les modèles, et éviter la « dérive de l’IA » situation où des systèmes sont entraînés sur des sorties générées par d’autres outils d’IA, amplifiant progressivement les erreurs. Nous estimons que l’expertise humaine demeure essentielle pour valider les entrées, interpréter les résultats et veiller à ce que les modèles restent ancrés dans la réalité. 

Le modèle opérationnel actuel est clair : l’humain doit rester dans la boucle. Les outils d’IA soutiennent l’analyse et la génération d’insights, mais la supervision est indispensable. Les limites connues, en particulier les hallucinations et le raisonnement opaque rendent le jugement humain indispensable. Les cadres réglementaires renforcent cette posture, traduisant une prudence partagée sur la nécessité d’une responsabilité clairement identifiée.

Pour autant, ce modèle se heurte à des défis. Des « copilotes » de productivité, des outils de monitoring automatisés et des systèmes avancés d’aide à la décision commencent à superviser des workflows autrefois gérés directement par des humains. Cela soulève une question sensible et de plus en plus pertinente : que se passe-t-il lorsque des systèmes d’IA valident, contestent, voire annulent des décisions humaines dans des contextes définis ? Si les machines intègrent l’environnement de contrôle, comment établir la confiance lorsque le mécanisme de validation lui-même est automatisé ?

Pour de nombreux gestionnaires d’actifs, l’exigence n’est pas une automatisation totale, mais une augmentation significative des capacités humaines. L’objectif est d’utiliser l’IA pour traiter davantage d’informations, de manière plus cohérente et à plus grande échelle, tout en préservant la responsabilité humaine.

Pour les gestionnaires déployant l’IA, la confiance ne peut reposer sur un unique dispositif de contrôle : elle nécessite un cadre. Selon nous, plusieurs principes sont essentiels :

• Intégrité des données : Les entrées doivent être de haute qualité, pertinentes et vérifiées.
• Transparence : Les utilisateurs doivent comprendre l’intention et la logique sous-jacente aux recommandations issues de l’IA.
• Gouvernance : Une responsabilité claire, des voies d’escalade et des mécanismes de supervision ne sont pas négociables.
• Expérience : l’expertise métier et le contexte historique doivent être intégrés aux modèles, pas ajoutés a posteriori.
• Orientation client : l’IA ne doit pas dégrader les résultats clients au motif de gains d’efficacité internes. 

Lorsque ces principes sont alignés, l’IA peut devenir un outil au service d’un meilleur jugement plutôt qu’un substitut à celui-ci.

L’un des aspects les plus prometteurs de l’IA est l’accès. En automatisant des analyses et des synthèses intensives, l’IA peut permettre la délivrance d’insights de haute qualité à grande échelle. Cela pourrait autoriser des modèles de conseil propulsés par un copilote IA à toucher un univers plus large de détenteurs d’actifs et des segments clients plus diversifiés, sans diluer la qualité.

Plutôt que de piloter les décisions uniquement par la réduction des coûts, l’IA peut élargir les opportunités, améliorer la couverture et soutenir de meilleurs résultats d’investissement. L’objectif n’est pas d’accélérer le même nombre de décisions, mais d’en prendre davantage, de façon cohérente et rapide, libérant ainsi du temps pour se concentrer sur les éléments à forte valeur ajoutée du processus.   

Malgré les progrès, le scepticisme persiste. De nombreux clients s’interrogent encore sur la transparence, les intentions et l’éthique de l’IA, en particulier lorsque les décisions affectent l’allocation de capital et les résultats à long terme.

Cette prudence est saine. La confiance ne se gagne pas en adoptant la technologie à la hâte, mais en la déployant de manière responsable. Pour nous, cela suppose d’être explicite sur l’usage de l’IA, sur ce qu’elle peut et ne peut pas faire, et sur le rôle central de l’expertise humaine.

Alors que l’IA devient une technologie générationnelle pour les services financiers, il est trop tard pour « gagner la confiance plus tard ». La confiance doit être intégrée dès la conception des systèmes ancrée dans les données, la gouvernance et l’expérience. Nous pensons que l’avenir de la gestion d’actifs sera probablement façonné par l’IA. Qu’elle soit digne de confiance dépendra des choix que nous faisons aujourd’hui.