Asset management : ce que l’IA change vraiment en 2026
INSIGHTS · IA & STABILITÉ FINANCIÈRE Expertise | Safir Consulting Par Siham MOUSSOUNI, consultante chez 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
IA en finance : et si le vrai risque était que tous les modèles prennent la même décision ?
INSIGHTS · IA & STABILITÉ FINANCIÈRE Par Youssef B., consultant chez Safir Consulting Le 19 octobre 1987, le Dow Jones perd 22,6 % en une seule séance. Ce jour-là, le problème ne vient pas uniquement d’une erreur humaine ou informatique. Certaines stratégies d’assurance de portefeuille, conçues pour réduire automatiquement les expositions lorsque les marchés baissent, contribuent à amplifier le mouvement. En vendant simultanément dans un marché déjà fragilisé, ces stratégies accentuent la pression sur les prix. Vingt ans plus tard, en août 2007, un phénomène comparable touche plusieurs fonds quantitatifs actions. Malgré des équipes de gestion concurrentes, certains portefeuilles présentent des expositions similaires aux mêmes facteurs de risque. Lorsque des positions sont débouclées, les pertes se propagent rapidement à d’autres acteurs. Ces épisodes illustrent une vulnérabilité bien connue des marchés financiers : des stratégies individuellement cohérentes peuvent devenir collectivement déstabilisantes lorsqu’elles conduisent de nombreux acteurs à agir dans le même sens. Avec l’essor de l’intelligence artificielle (IA), cette question prend une nouvelle dimension. 1. Au-delà des erreurs individuelles : le risque d’uniformisation des décisions Les discussions sur l’IA en finance portent souvent sur les risques propres à chaque modèle : résultats inexacts, biais dans l’évaluation du crédit, manque d’explicabilité ou confiance excessive des utilisateurs. Ces risques sont réels et nécessitent des dispositifs de gouvernance, de validation et de contrôle adaptés. Mais une autre question mérite une attention particulière : que se passe-t-il lorsque plusieurs établissements financiers utilisent des technologies similaires pour prendre leurs décisions ? Trois facteurs peuvent favoriser cette convergence. Les mêmes modèles De nombreux établissements développent leurs applications d’IA à partir d’un nombre relativement limité de modèles de fondation. Même lorsque les solutions sont personnalisées, elles peuvent conserver certaines caractéristiques communes. Les mêmes données Publications financières, données de marché, résultats d’entreprises ou informations fournies par des prestataires spécialisés : les établissements s’appuient souvent sur des sources comparables. Des modèles similaires, alimentés par des données proches, peuvent produire des analyses convergentes. Les mêmes infrastructures L’hébergement et l’exploitation des systèmes d’IA reposent en partie sur un nombre limité de grands fournisseurs technologiques. Cette concentration peut créer des dépendances communes et exposer plusieurs établissements à un même incident opérationnel. Pris séparément, ces facteurs ne constituent pas nécessairement un risque systémique. Leur combinaison peut toutefois réduire la diversité des analyses et accroître la corrélation des comportements. Le véritable enjeu n’est donc pas seulement de savoir si un modèle fonctionne correctement, mais aussi de comprendre comment son utilisation à grande échelle peut influencer le fonctionnement du marché. 2. Trois canaux de transmission des risques Le Fonds monétaire international (FMI), le Conseil de stabilité financière (FSB) et la Banque d’Angleterre ont identifié plusieurs vulnérabilités potentielles liées au développement de l’IA dans les services financiers. Trois mécanismes méritent une attention particulière. L’amplification des mouvements de marché Lorsque plusieurs acteurs utilisent des modèles reposant sur des signaux similaires, leurs décisions peuvent devenir davantage corrélées. En période de tensions, cette convergence pourrait accentuer les mouvements de vente, réduire la liquidité disponible et amplifier la volatilité. La vitesse d’exécution constitue également un facteur important. Certaines stratégies de trading algorithmique peuvent réagir très rapidement aux évolutions du marché. L’intégration croissante de techniques d’IA dans ces systèmes pourrait renforcer certains phénomènes de réaction simultanée. Il convient néanmoins de distinguer les systèmes de trading automatisé des outils d’IA générative, dont les usages, les performances et les délais de traitement sont différents. Le risque apparaît lorsque des décisions rapides et similaires se renforcent mutuellement, notamment dans un environnement de marché déjà fragilisé. La concentration opérationnelle L’utilisation de fournisseurs technologiques communs peut créer des points de vulnérabilité partagés entre plusieurs institutions financières. Un incident affectant une infrastructure, un service cloud ou un modèle utilisé dans des processus critiques pourrait perturber simultanément plusieurs établissements. La panne informatique mondiale de juillet 2024, provoquée par une mise à jour défectueuse de CrowdStrike, a illustré les conséquences possibles d’une dépendance technologique largement partagée. Cet événement ne concernait pas directement un modèle d’IA. Il constitue néanmoins un exemple concret des effets qu’un incident chez un fournisseur commun peut produire sur de nombreuses organisations. À mesure que les systèmes d’IA s’intègrent aux processus opérationnels, les établissements devront évaluer leur capacité à maintenir leurs activités en cas d’indisponibilité de ces technologies. Le manque de visibilité sur les dépendances Le développement rapide de l’IA soulève également des questions de transparence et de supervision. Les établissements ne disposent pas toujours d’une vision complète des modèles, composants, données et prestataires mobilisés dans leurs différentes applications. À l’échelle du système financier, cette difficulté devient encore plus importante. Comment identifier une dépendance commune lorsque plusieurs institutions utilisent, directement ou indirectement, les mêmes technologies ? Comment mesurer les risques de comportements corrélés lorsque les modèles sont complexes et que leurs usages évoluent rapidement ? Pour les autorités de supervision, la capacité à cartographier ces interdépendances devient un enjeu essentiel de stabilité financière. 3. DORA, supervision et IA : des dispositifs complémentaires Les autorités financières ont déjà engagé des travaux sur les risques liés à l’intelligence artificielle. En Europe, le règlement DORA, applicable depuis le 17 janvier 2025, renforce les exigences de résilience opérationnelle numérique des entités financières. Il prévoit notamment des obligations concernant la gestion des risques liés aux prestataires tiers de services TIC. Le 18 novembre 2025, les autorités européennes de supervision ont publié une première liste de prestataires TIC critiques, soumis à un cadre européen de surveillance spécifique. Au Royaume-Uni, la Banque d’Angleterre poursuit également ses analyses sur les risques que l’utilisation croissante de l’IA pourrait faire peser sur le système financier, notamment à travers des travaux de scénarios et de simulation. Ces initiatives représentent des avancées importantes. Elles répondent cependant à des enjeux qu’il convient de distinguer. La résilience opérationnelle consiste notamment à s’assurer qu’un établissement peut continuer à fonctionner lorsqu’un fournisseur ou un système devient indisponible. Le risque de comportements corrélés concerne les conséquences potentielles de décisions similaires prises simultanément par plusieurs acteurs du marché. Un établissement peut disposer d’une infrastructure résiliente tout en étant exposé à des mouvements de marché amplifiés par des stratégies comparables
L’IA ne manque pas d’intelligence dans la finance. Elle manque de confiance.
INSIGHTS · KYC & IA Par Safir Consulting, en partenariat avec Imoran Un responsable des risques dans une banque de financement reçoit une alerte : une exposition sectorielle a franchi un seuil. Sa première question n’est pas « combien ? ». C’est « pourquoi, et sur quelles données ? » Pour y répondre aujourd’hui, il doit souvent interroger trois systèmes différents, recouper des extractions manuelles, vérifier la date de mise à jour de chaque source, et documenter sa méthodologie avant de pouvoir remonter l’information en comité des risques. L’information existe. Le problème, ce n’est pas qu’elle manque c’est qu’elle est fragmentée. C’est exactement le point sur lequel bute la majorité des projets d’IA dans les institutions financières aujourd’hui. Le vrai sujet n’est plus la performance des modèles Depuis deux ans, les banques et sociétés de gestion ont massivement testé des outils d’IA générative : synthèse de documents, assistance à la rédaction de notes de recherche, extraction d’informations réglementaires. Les résultats individuels sont souvent impressionnants. Mais un pilote impressionnant ne fait pas un système fiable. Et dans un environnement régulé Bâle III, MiFID II, CSRD, exigences de traçabilité des méthodologies de risque la question n’est jamais « l’IA a-t-elle donné une bonne réponse ? ». Elle est : peut-on prouver comment elle y est arrivée ? Un responsable conformité qui doit justifier une analyse d’exposition ne peut pas se contenter d’un résumé généré automatiquement. Il doit pouvoir remonter jusqu’à la source réglementée, la méthodologie appliquée, la version des données utilisée. Sans cette traçabilité, l’IA reste un outil de confort individuel. Elle ne devient jamais un outil de décision institutionnelle. Ce qui change la donne : connecter plutôt que remplacer C’est là que se situe le véritable enjeu de transformation, et c’est le terrain sur lequel Safir Consulting et Imoran travaillent ensemble. Les institutions financières n’ont pas besoin de jeter leurs systèmes existants modèles de risque validés, référentiels de données réglementées, processus de gouvernance construits sur des années pour adopter l’IA. Elles ont besoin d’une architecture qui permette à l’IA de s’appuyer sur ces systèmes, plutôt que de fonctionner à côté d’eux, de manière isolée et invérifiable. Concrètement, cela veut dire : Gouvernance des données avant automatisation. Savoir précisément quelles données l’IA peut consulter, avec quelles autorisations, avant de lui confier la moindre tâche à valeur ajoutée. Traçabilité de bout en bout. Chaque résultat généré doit pouvoir être retracé jusqu’à sa source condition non négociable en environnement réglementé, et souvent le point que les projets IA les plus enthousiastes négligent en premier. Intégration dans les flux existants, pas en parallèle. Un outil d’IA qui vit en dehors des processus de validation habituels crée un système d’ombre utile en apparence, ingérable en réalité pour l’audit et le risk. Pourquoi Safir + Imoran Safir Consulting connaît le fonctionnement réel des salles de marché, des fonctions ALM et des exigences réglementaires du secteur bancaire et de l’asset management c’est notre terrain depuis toujours. Imoran apporte l’expertise stratégique et technique de la transformation par l’IA, indépendamment de tout éditeur ou solution propriétaire. Cette combinaison permet une approche que ni un cabinet de conseil métier seul, ni un cabinet IA généraliste, ne peuvent proposer isolément : une transformation IA pensée depuis les contraintes réelles du secteur financier, et non plaquée dessus après coup. Et maintenant ? Si votre organisation évalue actuellement où et comment intégrer l’IA dans vos processus de risque, de conformité ou de gestion de portefeuille, Safir Consulting et Imoran proposent un diagnostic conjoint pour identifier les cas d’usage prioritaires et les prérequis de gouvernance associés. Contactez nos équipes pour en discuter. #SafirConsulting #Imoran #IA #FinanceDeMarché #Gouvernance #TransformationIA Contactez-nous pour en discuter