par Franck Sabbah, Responsable du développement Asset Management international de Berenberg
L’intelligence artificielle (IA) s’impose aujourd’hui comme l’un des leviers de transformation les plus profonds de l’industrie financière, et plus particulièrement du secteur de la gestion d’actifs. Loin d’un simple effet de mode, son intégration dans les processus d’investissement pose des questions structurelles : redéfinition des méthodes d’analyse, automatisation de tâches à faible valeur ajoutée, gestion du risque algorithmique, ou encore gouvernance de modèles.
Depuis quelques années, les institutions financières les plus avancées ont mis en place des stratégies d’hybridation entre compétences humaines et capacités algorithmiques. L’IA n’y est pas traitée comme une entité autonome, mais comme un outil amplificateur de performance et de rigueur décisionnelle. Cette approche repose généralement sur des équipes pluridisciplinaires où se côtoient data scientists, ingénieurs logiciels, chercheurs en finance quantitative et gérants de portefeuille. L’objectif : faire converger l’innovation technologique et les contraintes opérationnelles de l’investissement réel.
Trois grands axes d’application
Dans les cas d’usage concrets, trois domaines se distinguent :
1. Analyse de sentiment et signaux de marché
Les progrès du traitement automatique du langage naturel (NLP) permettent aujourd’hui de traiter des millions de documents — articles de presse, publications réglementaires, commentaires de réseaux sociaux — afin d’extraire en temps réel des indicateurs d’humeur ou de tension sur les marchés. Cette capacité d’analyse offre un avantage en matière de réactivité, dans des environnements où l’information se déverse à un rythme accéléré.
2.Filtrage algorithmique et présélection de valeurs
Dans un univers actions potentiellement composé de plusieurs milliers de titres, les modèles d’IA permettent d’automatiser une première couche de tri selon des critères objectifs (valorisation, dynamique de bénéfices, scores ESG, etc.). Cette étape ne remplace pas l’analyse fondamentale, mais elle permet d’optimiser la bande passante des gérants, en concentrant leur attention sur les cas les plus prometteurs.
3.Recherche assistée par IA générative
Grâce aux modèles de type LLM, il est désormais possible de résumer des documents complexes — rapports financiers, études macroéconomiques, prospectus réglementaires — en quelques secondes. Cela constitue un gain de productivité majeur, notamment dans le contexte de veille concurrentielle ou de due diligence.
Une efficacité redéployée au service de l’humain
Contrairement aux craintes de substitution que suscitent souvent les technologies émergentes, l’IA en gestion d’actifs tend aujourd’hui à jouer un rôle de copilote décisionnel. Les chiffres sont parlants : certaines équipes signalent des gains d’efficacité pouvant aller jusqu’à 80 % sur les tâches de recherche, et une accélération d’un facteur 10 dans le traitement de l’information brute. Mais l’objectif n’est pas d’automatiser la décision finale. Il s’agit plutôt de recentrer l’humain sur des fonctions d’interprétation, de jugement, et de gestion de la complexité. L’IA excelle dans la répétition et la modélisation ; le professionnel reste essentiel pour donner du sens à l’analyse et intégrer les dimensions éthiques, politiques ou contextuelles que les algorithmes ne perçoivent pas.
Transparence, sécurité et gouvernance des modèles
L’essor de l’IA soulève aussi des préoccupations croissantes en matière de gouvernance. La question de la transparence algorithmique devient centrale dans un environnement où les modèles peuvent influencer directement des choix d’allocation ou des recommandations clients. L’exigence d’explicabilité — capacité à comprendre et retracer les décisions algorithmiques — s’impose désormais comme une condition d’acceptabilité.
Par ailleurs, les algorithmes doivent être développés et testés dans des environnements sécurisés, supervisés par des experts humains, pour éviter toute dérive liée à des biais de données, des erreurs d’interprétation ou des effets de surapprentissage. Le respect des normes de confidentialité et des régulations européennes (comme le RGPD ou le futur AI Act) ajoute une couche de complexité technique et juridique, mais nécessaire pour bâtir la confiance à long terme.
Vers un changement de paradigme dans la gestion de l’information
Au-delà des gains opérationnels immédiats, c’est un véritable changement de paradigme que l’IA introduit dans la gestion d’actifs : une nouvelle manière d’absorber, de filtrer et de structurer l’information, dans un monde où les volumes de données doublent tous les deux ans. Depuis 2019, le volume de données d’entraînement pour les modèles linguistiques a été multiplié par trois, permettant à certains d’entre eux de rivaliser avec — voire de dépasser — les capacités humaines sur certaines tâches cognitives.
Pour autant, il serait illusoire de croire que ces modèles peuvent remplacer la logique d’analyse, la mémoire des crises passées, ou la compréhension fine des comportements humains sur les marchés. L’IA n’est ni un oracle, ni un substitut à la responsabilité du gérant. Elle est un outil stratégique, dont la puissance doit être mobilisée avec discernement, et toujours mise au service d’une intelligence collective.