La mise en place d’outils d’intelligence artificielle (IA) et d’automatisation au sein d’une PME active dans la gestion de fortune constitue à la fois un levier stratégique majeur et une source de défis opérationnels significatifs. Dans un secteur marqué par de fortes exigences réglementaires, une personnalisation accrue des services et une gestion rigoureuse des risques, l’IA offre un potentiel de transformation considérable. Toutefois, son adoption nécessite une approche méthodique, structurée et progressive.

Dans la mise en œuvre de solutions d’IA, il est primordial de ne pas confondre automatisation et intelligence artificielle, bien que ces deux approches soient souvent combinées.

L’automatisation consiste à exécuter des tâches selon des règles prédéfinies. Le système suit un enchaînement logique explicite, sans interprétation ni adaptation réelle. Ceci se base sur des règles fixes avec des résultats prévisibles et reproductibles et permet d’exécuter de manière fiable et répétable des processus structurés tels qu’un script qui envoie un e-mail automatique lorsqu’un formulaire est rempli, le rééquilibrage de portefeuille, la génération de rapports ou encore les contrôles de conformité (KYC/AML).

A l’inverse, l’IA repose sur la capacité d’un système à apprendre à partir des données et à généraliser afin d’anticiper des comportements ou formuler des recommandations personnalisées. L’IA est capable de traiter des cas non explicitement programmés et s’adapte (dans certaines limites) à de nouvelles données et produit des résultats probabilistes, pas garantis. Par exemple un système qui génère du texte ou traduit des langues, un système qui résume de la recherche et fournit des conclusions, l’optimisation de l’allocation d’actifs ou un algorithme qui détecte des fraudes en identifiant des patterns.

Il y a là une forme de paradoxe. L’automatisation est souvent le fruit d’une programmation rigoureuse, et l’intelligence artificielle, loin de la remplacer, donne des outils pour en accélérer l’écriture.

L’intégration de l’IA et/ou de l’automatisation dans une PME de gestion de fortune ne doit pas être envisagée comme une simple adoption technologique, mais comme une transformation stratégique globale.

De nombreuses solutions présentées comme de l’IA relèvent en réalité d’une automatisation avancée. Par exemple, un chatbot basé sur des règles, qui se contente de déclencher des réponses prédéfinies via la détection de mots-clés, relève d'une automatisation rigide. A l'inverse, un chatbot alimenté par un modèle de langage (LLM) qui interprète le sens, le contexte et les nuances d'une requête incarne véritablement une logique d'intelligence artificielle.

La distinction centrale peut se résumer ainsi, automatisation c’est exécuter ce qu’on a explicitement défini et l’IA c’est inférer ce qu’il faut faire à partir de données. Prenant l’exemple des réconciliations bancaires, là où l'automatisation exige des formats de données stricts et prédéfinis pour réconcilier une transaction, un système d'IA possède la capacité de reconnaître et d'interpréter des structures bancaires nouvelles ou hétérogènes sans configuration préalable. Par exemple, un mécanisme automatisé bloque une carte bancaire dès qu'une règle prédéfinie est remplie (montant seuil, pays à risque), tandis qu'un système d'IA peut identifier une fraude en inférant une anomalie comportementale qu'aucun modèle avec des variables explicites n'avait anticipée.

La distinction entre ces deux approches constitue un enjeu stratégique. Les confondre peut conduire à surévaluer les capacités d’un système (illusion d’intelligence) et à sous-estimer les risques associés (notamment le caractère probabiliste des modèles d’IA). A l’inverse, bien les distinguer permet d’assigner le bon outil au bon problème et d’optimiser les coûts, les performances et la robustesse des solutions mises en œuvre.

Une fois cette distinction établie, l’un des principaux écueils consiste à se lancer dans une adoption de l’IA sans analyse préalable approfondie du fonctionnement de l’entreprise. Il est essentiel d’identifier précisément les processus, les flux de travail et les activités pour lesquels l’IA et l’automatisation peuvent réellement créer de la valeur. Bien que certains cas d’usage puissent sembler génériques, chaque organisation présente des spécificités propres. Cette phase d’analyse constitue une condition indispensable au succès de toute implémentation.

Pour mener à bien cette étape, il est crucial d’impliquer l’ensemble des parties prenantes afin d’établir un état des lieux partagé et de définir collectivement les domaines d’application. Cela peut concerner différents départements, tels que la gestion des investissements, la comptabilité, l’administration, les ressources humaines ou encore la relation client.

Des projets concrets peuvent inclure la recherche en investissement, la création de rapports clients, l’automatisation des ordres de trading, la détection d’anomalies de liquidité pour optimiser le timing d’exécution, la mise en place d’alertes de dépassement de seuils ou encore la détection de risques.

Une fois ces bases établies, la préparation des données devient une priorité. Cela inclut notamment la mise en place d’une gouvernance claire encadrant l’utilisation des données, ainsi qu’une distinction rigoureuse entre données propriétaires et données publiques. Le choix des outils technologiques et de l’infrastructure est également déterminant pour garantir une implémentation adaptée, sécurisée et conforme aux exigences du secteur.

Ce n’est qu’après ces étapes préparatoires que peut débuter la phase opérationnelle, incluant le déploiement progressif des solutions ainsi que des phases de test permettant de valider leur efficacité et leur pertinence. Là encore, la différence entre automatisation et IA a des implications majeures. L’automatisation garantit robustesse, conformité et traçabilité des décisions, tandis que l’IA permet d’augmenter les performances potentielles, mais fonctionne avec un certain degré d’incertitude et d’opacité.

Il convient par ailleurs de rappeler que l’IA ne constitue pas une solution universelle. Il est essentiel de rester conscient de ses limites ainsi que des risques liés à son utilisation. La meilleure manière d’encadrer son usage repose sur la sensibilisation et la formation adéquate de l’ensemble des collaborateurs. Il ne s’agit pas d’un domaine réservé à certaines générations, ces enjeux concernent l’ensemble de l’organisation.

En conclusion, l’intégration de l’IA et/ou de l’automatisation dans une PME de gestion de fortune ne doit pas être envisagée comme une simple adoption technologique, mais comme une transformation stratégique globale. Elle requiert une vision claire, une gouvernance solide et un accompagnement du changement, tout en offrant, en contrepartie, des gains significatifs en efficacité, en qualité de service et en avantage concurrentiel.

L’ASG agit pour donner l’opportunité à ses membres d'exprimer leur avis de praticiens. C’est dans ce cadre que cet article a été rédigé, afin de permettre le partage d’expériences direct de pair à pair.