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 peut permettre aux équipes de se concentrer sur des activités plus complexes.

Mais le gain de temps ne suffit pas à démontrer la création de valeur.

Une société de gestion peut déployer un outil performant sans obtenir de véritable amélioration si son utilisation nécessite trop de corrections, de contrôles ou de retraitements.

La question n’est donc pas seulement : combien de temps avons-nous gagné ? Mais : qu’avons-nous réellement amélioré ?

Comment mesurer le retour sur investissement ?

Une approche consiste à suivre trois dimensions complémentaires.

Dimension	Indicateurs possibles	Question à se poser
Efficacité	Temps de production d’un reporting, délai de réponse à un appel d’offres	Gagnons-nous réellement du temps ?
Qualité	Taux d’erreurs, fiabilité des synthèses, couverture de l’analyse	Produisons-nous un meilleur résultat ?
Valeur	Coût par processus, temps réinvesti dans l’analyse ou la relation client	Où se crée la valeur ?

Ces indicateurs doivent être définis avant le déploiement, puis comparés à une situation de référence.

Il faut également intégrer les coûts de licences, d’intégration, de formation et de supervision.

Sans cette mesure, il devient difficile de distinguer un bénéfice durable d’un simple effet de nouveauté.

Pour les dirigeants, c’est un enjeu de pilotage : un projet d’IA doit être évalué comme un investissement, et non uniquement comme une expérimentation technologique.

4. Les risques : explicabilité, données et responsabilité

L’utilisation de l’IA ne fait pas disparaître les obligations des sociétés de gestion.

Au contraire, elle peut rendre certains risques plus complexes à identifier et à maîtriser.

Dans sa déclaration du 30 mai 2024, l’Autorité européenne des marchés financiers (ESMA) a attiré l’attention sur plusieurs risques associés à l’utilisation de l’IA dans les services d’investissement : biais algorithmiques, qualité des données, manque de transparence, dépendance excessive aux outils et protection des informations.

Quatre risques méritent une attention particulière.

Les erreurs et les hallucinations. Un modèle peut produire une synthèse inexacte avec une formulation convaincante. La vérification des sources et la validation humaine restent essentielles.

La confidentialité. Les stratégies d’investissement, les données clients et les documents internes ne doivent pas être transmis à des outils dont les conditions de sécurité et d’utilisation ne sont pas maîtrisées.

La dépendance aux fournisseurs. L’utilisation de solutions reposant sur un nombre limité de prestataires peut créer des risques de continuité d’activité et de concentration technologique.

Les comportements de marché corrélés. Si plusieurs acteurs utilisent des modèles et des données similaires, certaines décisions peuvent converger et contribuer à amplifier les mouvements de marché, notamment en période de tensions.

Des risques aux dispositifs de maîtrise

Risque	Exemple concret	Mesure de maîtrise
Erreur du modèle	Résumé inexact d’une publication financière	Vérification des sources et relecture humaine
Fuite de données	Informations clients saisies dans un outil non autorisé	Solutions validées, règles d’accès et formation
Manque d’explicabilité	Signal d’investissement difficile à justifier	Documentation, tests et contrôle humain adapté
Dépendance fournisseur	Indisponibilité d’un service critique	Plan de continuité, réversibilité et solutions alternatives
Non-conformité	Utilisation d’un outil sans évaluation préalable	Inventaire des usages et revue de conformité

Ces mesures ne sont pas exhaustives. Elles montrent toutefois que la maîtrise des risques repose autant sur l’organisation que sur la technologie.

5. Le cadre réglementaire : des exigences à articuler

L’encadrement réglementaire de l’IA se précise progressivement.

La déclaration de l’ESMA de mai 2024 rappelle que les entreprises utilisant l’IA dans la fourniture de services d’investissement à des clients particuliers doivent respecter leurs obligations au titre de MiFID II.

La responsabilité des décisions demeure notamment au niveau des organes de direction, indépendamment de l’utilisation d’outils d’IA.

Le règlement européen sur l’intelligence artificielle, ou AI Act, introduit de son côté des exigences différenciées selon les caractéristiques et les usages des systèmes concernés.

Certaines obligations de transparence prévues à l’article 50 s’appliquent depuis le 2 août 2026. Elles ne concernent toutefois pas indistinctement tous les outils ni toutes les situations d’utilisation.

La qualification réglementaire d’un système dépend notamment de sa finalité, du rôle de l’organisation et des obligations qui lui sont applicables.

Enfin, le règlement DORA, applicable depuis le 17 janvier 2025, renforce le cadre de résilience opérationnelle numérique des entités financières concernées, notamment dans leur gestion des risques liés aux prestataires de services TIC.

Pour une société de gestion, ces différents textes doivent être abordés de manière cohérente.

L’enjeu consiste à identifier les usages, évaluer les risques, définir les responsabilités et documenter les contrôles nécessaires.

La conformité ne doit pas intervenir uniquement au moment de déployer un outil. Elle doit accompagner sa conception, son évaluation et son utilisation.

6. Gouvernance et compétences : les véritables facteurs de différenciation

Les technologies évoluent rapidement, mais leur efficacité dépend largement de l’organisation dans laquelle elles sont utilisées.

Une société de gestion peut disposer d’un outil avancé sans en tirer pleinement parti si les équipes ne sont pas formées, si les responsabilités sont mal définies ou si les données sont insuffisamment fiables.

Trois chantiers apparaissent essentiels.

Définir une gouvernance claire

Les établissements doivent pouvoir recenser les cas d’usage, identifier les responsables, documenter les modèles et préciser les règles applicables aux données.

La gouvernance doit associer les métiers, les risques, la conformité, l’informatique et la direction générale selon la nature des projets.

L’exemple de H2O Asset Management, qui a communiqué sur la mise en place d’un comité dédié à l’IA générative, illustre l’intérêt d’un pilotage structuré.

Développer les compétences

Les équipes doivent comprendre les possibilités des outils, mais également leurs limites.

Savoir formuler une demande ne suffit pas. Il faut pouvoir évaluer la pertinence d’un résultat, identifier les erreurs et déterminer dans quelles situations une intervention humaine est indispensable.

Les profils capables de combiner expertise financière, maîtrise des données et compréhension des enjeux réglementaires deviennent particulièrement importants.

Maîtriser les choix technologiques

Développer une solution en interne, adopter un outil du marché ou construire un partenariat : chaque option présente des avantages et des contraintes.

Les choix doivent tenir compte des coûts, de la sécurité, de l’intégration aux systèmes existants et de la dépendance aux fournisseurs.

L’enjeu n’est pas nécessairement de posséder la technologie la plus avancée, mais de disposer d’une solution adaptée aux besoins et aux risques de l’établissement.

7. Une feuille de route pour passer de l’expérimentation à un usage maîtrisé

Pour structurer l’adoption de l’IA, une démarche progressive peut être privilégiée.

De 0 à 3 mois : cadrer

La première étape consiste à recenser les usages existants, y compris ceux développés de manière informelle.

Elle permet également de désigner les responsables, définir les règles de sécurité et de confidentialité et sensibiliser les équipes aux bonnes pratiques.

De 3 à 9 mois : prioriser et expérimenter

L’établissement peut sélectionner deux ou trois cas d’usage présentant un potentiel de valeur identifiable et des risques maîtrisables.

La synthèse documentaire, la veille ou la préparation de certains reportings constituent des exemples possibles.

Chaque expérimentation doit être accompagnée d’objectifs mesurables : temps gagné, qualité des résultats, coûts et satisfaction des utilisateurs.

De 9 à 18 mois : industrialiser

Les solutions ayant démontré leur utilité peuvent ensuite être intégrées progressivement aux processus métiers.

Cette phase suppose de renforcer la documentation, les contrôles, la surveillance des performances et les procédures de gestion des incidents.

Des applications plus sensibles, notamment celles qui contribuent aux décisions d’investissement, peuvent être envisagées lorsque les conditions de maîtrise sont réunies.

Ces horizons sont indicatifs : ils doivent être adaptés à la taille, à la maturité et aux contraintes de chaque société de gestion.

L’intérêt de cette approche est de produire des résultats observables tout en construisant les bases nécessaires à un déploiement durable.

8. Perspectives : vers une IA plus autonome et davantage supervisée

Les prochaines évolutions pourraient être marquées par le développement de systèmes capables d’enchaîner plusieurs tâches avec une intervention humaine plus limitée.

Collecter des informations, les analyser, produire une synthèse puis préparer un reporting : certaines étapes pourraient progressivement être coordonnées par des agents d’IA.

Cette évolution ouvre des perspectives d’efficacité, mais elle renforce également les exigences de contrôle.

Comment vérifier les résultats produits à chaque étape ? Comment identifier une erreur qui se propage d’une tâche à l’autre ? À quel moment une validation humaine devient-elle nécessaire ?

Ces questions seront déterminantes pour les établissements souhaitant intégrer des outils plus autonomes à leurs processus.

À terme, l’avantage concurrentiel ne reposera probablement pas uniquement sur l’accès aux modèles, que plusieurs acteurs peuvent acquérir.

Il dépendra aussi de trois éléments plus difficiles à reproduire : la qualité des données, les compétences des équipes et la solidité de la gouvernance.

Conclusion : cinq questions à se poser dès maintenant

L’intelligence artificielle transforme progressivement les méthodes de travail dans la gestion d’actifs.

Elle permet d’envisager des analyses plus rapides, une meilleure exploitation des données et une automatisation accrue de certaines tâches.

Mais ces perspectives ne garantissent pas, à elles seules, une amélioration de la performance.

Pour les dirigeants de sociétés de gestion, cinq questions peuvent aider à évaluer le niveau de préparation de leur organisation :

Disposons-nous d’un inventaire à jour des usages de l’IA, y compris ceux développés directement par les équipes ?
Qui est responsable de la gouvernance et de la supervision de ces outils ?
Comment protégeons-nous les données clients, les stratégies et les informations sensibles ?
Mesurons-nous les gains réels en matière de temps, de coûts et de qualité ?
Nos équipes sont-elles suffisamment formées pour utiliser l’IA avec discernement et dans le respect des exigences réglementaires ?

L’enjeu n’est plus simplement d’adopter l’IA, mais de savoir ce qu’elle améliore réellement et comment en garder la maîtrise.

Pour les sociétés de gestion, la différence se fera moins sur le nombre d’outils déployés que sur leur capacité à transformer ces technologies en bénéfices mesurables, sans compromettre la qualité des décisions ni la confiance des investisseurs.

Sources et références

Linedata et Global Fund Media, What’s Next: A Closer Look at Artificial Intelligence in Asset Management, juillet 2024. Étude sur l’adoption de l’IA et ses principaux usages.
ESMA, Public Statement on the Use of Artificial Intelligence in the Provision of Retail Investment Services, 30 mai 2024.
Union européenne, règlement (UE) 2024/1689 établissant des règles harmonisées concernant l’intelligence artificielle, version consolidée.
Commission européenne, lignes directrices sur les obligations de transparence prévues à l’article 50 de l’AI Act, juillet 2026.
Union européenne, règlement (UE) 2022/2554 relatif à la résilience opérationnelle numérique du secteur financier (DORA).

Article d’expertise Safir Consulting Octobre 2026

Asset management : ce que l’IA change vraiment en 2026