Asset management : ce que l’IA change vraiment en 2026
INSIGHTS · IA & STABILITÉ FINANCIÈRE Expertise | Safir Consulting L’intelligence artificielle peut aujourd’hui résumer un rapport annuel de cent pages, analyser des données de marché ou préparer un reporting en quelques minutes. Mais peut-elle réellement améliorer les décisions d’investissement ? Pour les sociétés de gestion, la question mérite d’être posée. L’IA n’est plus seulement un sujet d’innovation. Elle devient un enjeu de gouvernance, d’organisation et de compétitivité. Dans un environnement marqué par la pression sur les coûts, la complexité des marchés et des exigences réglementaires croissantes, les gestionnaires cherchent à tirer parti de ces technologies sans perdre la maîtrise de leurs processus. Mais entre les promesses de productivité et les résultats effectivement obtenus, il reste un écart à mesurer. Quels usages créent déjà de la valeur ? Quels risques faut-il anticiper ? Et comment passer de l’expérimentation à une intégration durable ? 1. Pourquoi l’IA s’impose progressivement dans la gestion d’actifs Trois forces expliquent cette accélération. La première est économique. Les sociétés de gestion font face à une pression durable sur leurs marges, à la concurrence de la gestion passive et à des obligations réglementaires exigeantes. Dans ce contexte, automatiser certaines tâches répétitives peut libérer du temps pour l’analyse et la relation client. La deuxième est technologique. Les grands modèles de langage rendent accessibles des capacités autrefois réservées à des équipes spécialisées : résumer un document financier, comparer des communications de banques centrales ou interroger une base documentaire en langage naturel. La troisième est informationnelle. Publications d’entreprises, données macroéconomiques, actualités sectorielles, informations alternatives : le volume de données à traiter dépasse largement ce qu’une équipe peut analyser manuellement de manière exhaustive. L’IA peut aider à organiser cette information, à identifier des évolutions et à accélérer certains travaux de recherche. Cette dynamique n’est pas entièrement nouvelle. En juillet 2024, une étude de Linedata, réalisée avec Global Fund Media, indiquait que 36 % des sociétés de gestion interrogées utilisaient activement l’IA, tandis que 33 % expérimentaient et 32 % n’avaient pas encore engagé leur démarche. Ces chiffres, qui décrivent la situation des répondants en 2024 et non celle du marché en 2026, illustrent une adoption progressive mais encore inégale. Le sujet dépasse désormais le seul cadre de l’innovation technologique. Ne pas disposer d’une politique d’utilisation de l’IA ne signifie pas nécessairement que les équipes ne l’utilisent pas. Cela peut aussi signifier que certains usages se développent sans cadre commun. 2. Les usages : l’IA aide d’abord à mieux analyser, pas à décider à la place du gérant Dans la gestion d’actifs, les applications de l’IA couvrent plusieurs étapes de la chaîne de valeur. Selon l’étude Linedata de 2024, la synthèse documentaire et l’extraction de données figuraient parmi les principaux cas d’usage de l’IA générative, avec 28 % des réponses chacune. Ces applications témoignent d’un intérêt particulier pour l’exploitation de l’information, bien avant une éventuelle automatisation complète des décisions d’investissement. Quatre grandes familles d’usages se distinguent. Recherche et analyse financière : lecture de rapports annuels, comparaison de résultats d’entreprises, synthèse de publications économiques et identification de signaux nécessitant une analyse approfondie. Construction de portefeuille et gestion quantitative : traitement de données alternatives, modèles prédictifs, optimisation sous contraintes et aide à l’analyse des facteurs de risque. Gestion des risques, conformité et reporting : détection d’anomalies, préparation de rapports, analyse documentaire et assistance aux contrôles. Relation client et distribution : préparation de rendez-vous, rédaction de commentaires de gestion et personnalisation de certaines communications. Un exemple illustre cette approche : H2O Asset Management a présenté une stratégie global macro intégrant l’IA générative comme outil d’analyse des biais comportementaux. Dans ce dispositif, les outils d’IA ne génèrent pas directement les transactions ou les allocations. Ils alimentent la réflexion des équipes de gestion, dans un cadre de gouvernance dédié. Cet exemple rappelle une distinction essentielle : utiliser l’IA pour enrichir une analyse n’est pas la même chose que lui déléguer une décision d’investissement. Recherche fondamentale : mieux exploiter l’information Prenons le cas d’un analyste qui suit quarante sociétés. À chaque publication trimestrielle, il doit examiner les résultats, les perspectives, les commentaires de direction et les évolutions sectorielles. Un outil d’IA peut l’aider à comparer les publications successives, repérer des changements de formulation, identifier des écarts dans les prévisions et retrouver rapidement des informations. Le gain potentiel ne consiste pas simplement à lire moins de documents. Il consiste à consacrer davantage de temps aux éléments qui méritent une véritable analyse. Encore faut-il pouvoir vérifier les résultats. Un résumé généré par un modèle doit permettre de retrouver les passages d’origine. Sans cette traçabilité, une erreur d’interprétation peut facilement passer inaperçue. Risques et suivi de portefeuille : détecter sans surinterpréter Dans les fonctions risques, les outils d’analyse avancée peuvent contribuer à surveiller un grand nombre de positions et à signaler des situations inhabituelles : dépassements de limites, concentrations, écarts de valorisation ou évolutions des corrélations. Les modèles actuels peuvent également exploiter des données non structurées, comme des publications réglementaires ou des informations économiques, pour compléter les analyses traditionnelles. L’intérêt pour un directeur des risques est double : améliorer la détection et faciliter la documentation des contrôles. Mais une alerte ne constitue pas une preuve. Le modèle signale une situation. L’expert doit encore l’expliquer, la vérifier et décider de la suite à donner. Relation client : accélérer sans compromettre la fiabilité Les sociétés de gestion produisent de nombreux documents : reportings mensuels, commentaires de performance, réponses à des appels d’offres ou supports destinés aux investisseurs institutionnels. L’IA générative peut aider à préparer une première version, adapter le niveau de langage ou structurer une réponse. La relecture humaine reste indispensable, particulièrement lorsqu’il s’agit de communiquer sur la performance, les risques ou les caractéristiques d’un produit financier. Une formulation inexacte peut avoir des conséquences réglementaires et commerciales. L’objectif est donc de réduire le temps consacré à la préparation des documents, tout en préservant la qualité et la responsabilité de leur validation. 3. Les gains : la productivité d’abord, la performance ensuite Les bénéfices les plus immédiats de l’IA sont souvent opérationnels. Automatiser une recherche documentaire, accélérer la préparation d’un reporting ou faciliter l’extraction de données