• 36% des entreprises
utilisent activement l’IA et 37% prévoient d'étendre son utilisation.
• 46% des entreprises
développent leurs capacités d'IA entièrement en interne, tandis que 40% ont
recours à une approche hybride combinant ressources internes et partenariats
externes.
• Les principaux défis
sont la qualité et la maintenance des données (19%), la compréhension des coûts
et la construction d'un business case (15%), et l'accès à l'expertise en IA
(13%).
Linedata, éditeur de
solutions globales pour les professionnels de la gestion d’actifs, de
l’assurance et du crédit, publie les résultats de son rapport "
Perspectives : Un regard approfondi sur l'IA dans la gestion d'actifs,"
réalisé en collaboration avec Global Fund Media, un leader de l'analyse des
tendances marché pour les professionnels des hedge funds et du private equity.
Cette étude examine
l'adoption et l'utilisation de l'intelligence artificielle (IA) par les
sociétés de gestion d'actifs. Face à un environnement de marché volatil et à
des exigences réglementaires croissantes, l'IA apparaît comme un outil clé pour
relever les défis de la gestion d'actifs, notamment pour gagner en agilité et
en efficacité opérationnelle. Cependant, la mise en œuvre de ces solutions d'IA
nécessitera du temps pour établir des bases solides, notamment en surmontant
les défis liés à l'acquisition de données de qualité et en garantissant des
résultats conformes aux attentes.
Poussée par la quête de
productivité, l'IA gagne du terrain
Actuellement, 32% des
entreprises de l’asset management n'ont pas encore commencé leur parcours IA,
tandis que 33% sont en phase d'expérimentation et 36% l’utilisent activement.
Parmi ces dernières,
14% ont plusieurs cas d'utilisation en production et prévoient
d'autres implémentations. Au cours de l'année prochaine, 37% des entreprises se
concentreront sur l'extension de l'utilisation de l'IA,
22% augmenteront les
expérimentations et 28% surveilleront les progrès. Les applications les plus
populaires de l'IA Générative (GenAI) incluent la synthèse de documents (28%),
l'extraction de données (28%) et les bases de connaissances/Q&R (17%).
En outre, l'IA
Générative trouve des applications commerciales cruciales, notamment dans
l'amélioration de la productivité du front office. L'optimisation de
l'efficacité de l'équipe chargée des transactions
(23%) et la recherche de
transactions ou la génération directe de rendements (18%) sont parmi les cas
d'utilisation les plus courants. L'IA joue également un rôle essentiel dans
l'amélioration de la productivité des opérations de middle et de back-office
(19%).
Jamil Jiva, Global Head of Asset Management chez Linedata, rappelle : « Sur un marché qui subit de multiples pressions, l'adoption de l'IA dans l'asset management s'accélère, avec de plus en plus d'entreprises qui investissent dans cette technologie pour rester compétitives et développer de nouveaux cas d'usage. Mais la mise en œuvre de solutions d'IA et l'extraction de leur valeur est un projet technologique qui nécessitera du temps pour poser les bonnes fondations, obtenir l'adhésion, conduire le changement culturel et aplanir les facteurs de risque. »
Les dilemmes de
l'expertise et des données
L'expertise en matière
d'IA provient entièrement de l'intérieur de l'entreprise pour 46% des
répondants, tandis que 14% seulement s'approvisionnent entièrement auprès de
partenaires. Les 40% restants ont recours à une approche hybride. Les
solutions d'IA sont principalement accessibles par l'achat de produits prêts à
l'emploi (25%), bien qu'un nombre impressionnant de répondants (18%) les
construisent entièrement en interne. À l'autre extrémité du spectre, 32% y
accèdent entièrement de manière indirecte par l'intermédiaire de courtiers,
d'administrateurs de fonds ou de fournisseurs de services d'externalisation des
processus. Malgré l'enthousiasme autour de l’adoption de l'IA, les défis sont
multiples : la qualité et la maintenance des données (19%), la compréhension
des coûts et la construction d'un business case (15%), et l'accès à l'expertise
en IA (13%). Et ces défis se manifestent également lors de l'extension des
solutions IA.
« Les entreprises préfèrent garder le contrôle sur leurs capacités d'IA, mais développer une expertise interne reste un défi, ce qui conduit à l'émergence d'approches hybrides combinant ressources internes et partenariats externes. L’enjeu de la qualité des données est également un obstacle majeur. Elles doivent être propres, cohérentes et facilement accessibles pour être utilisées efficacement par les modèles de langage, une tâche colossale à la lumière des systèmes disparates utilisés par les institutions financières. De nombreux gestionnaires d'actifs construisent des lacs de données, une tâche complexe nécessitant des objectifs clairs », ajoute Jamil Jiva.