Au-delà de la productivité : le changement structurel de l’IA dans la gestion active
L’intelligence artificielle dans la gestion d’actifs a dépassé le stade des premiers gains de productivité. Pablo Riveroll explique les bénéfices de l’intégration des données et des recherches propriétaires aux grands modèles de langage, tandis que Charlotte Wood expose la vision globale de l’IA agentique au sein du groupe.
Authors
Pablo Riveroll, gérant de fonds et responsable mondial de la recherche actions :
L’industrie de la gestion active entre aujourd'hui dans une seconde phase d’adoption de l’IA. La première vague s’est principalement concentrée sur les gains d'efficacité, en utilisant de grands modèles de langage (LLM) pour résumer l’information, accélérer la recherche et soutenir les analystes dans leur travail quotidien. La phase qui s'ouvre est d'une nature plus structurelle. Elle se concentre sur l’intégration directe de données propriétaires, de recherches internes et de systèmes de gestion de portefeuille avec des modèles d’IA, avec le potentiel de redéfinir la manière dont l’analyse de l’investissement est produite et la compréhension du risque.
L’année dernière, nous avons décrit comment notre division marchés cotés commençait à utiliser L’IA pour renforcer notre avantage d’investissement. Les outils évoqués – ChatGPT Enterprise, Bloomberg DSX, notre outil d'analyse propriétaire basé sur co-pilot, et Context AI – ont généré de réels gains d’efficacité : accélération des premières analyses d’entreprises, démocratisation des connaissances au sein des équipes et recentrage des analystes sur des tâches à plus forte valeur ajoutée.
Cet article décrivait l’adoption de l’IA 1.0 : l’utilisation des LLM comme assistants de recherche sophistiqués, principalement capables de traiter et de synthétiser des informations publiques. Les résultats ont été probants, et ces outils sont depuis largement intégrés au sein de nos équipes de gestion actions et crédit.
Mais le paysage a beaucoup changé. Nous entrons maintenant dans ce que nous appelons l’adoption de l’IA 2.0, une phase définie non plus par la rapidité d’accès à l’information, mais par une intégration profonde de l’IA dans le cœur du processus d’investissement. La différence est structurelle : nous connectons désormais nos données propriétaires, la recherche de nos analystes et nos systèmes de gestion de portefeuille directement à des LLM puissants. Il ne s’agit plus seulement d’outils qui répondent à des questions, mais de plusieurs agents IA capables de nous aider activement à suivre nos thèses d’investissement, comprendre nos expositions au risque et prendre de meilleures décisions.
Des agents multiples connectant directement nos données et notre propriété intellectuelle aux modèles de langage puissants
Le développement le plus significatif de l’année écoulée a été la maturité atteinte par l’IA Agentique – des agents spécialisés par tâche travaillant de concert – ainsi que l'émergence d'une technologie appelée Model Context Protocol, ou MCP. Le MCP peut être vu comme un connecteur universel, l’équivalent d’un port USB pour les applications d’IA : il permet de relier de manière standardisée nos sources de données internes aux grands modèles de langage, décuplant ainsi leurs capacités.
Lors de la première phase d’adoption de l’IA, nos outils étaient essentiellement des agents uniques travaillant principalement avec des informations publiques. Un analyste pouvait demander à ChatGPT de résumer la dernière conférence téléphonique sur les résultats d’une entreprise ou d’évaluer la dynamique concurrentielle d’un secteur, et le résultat était utile mais générique. Tout gestionnaire d’actifs disposant des mêmes outils pouvait produire essentiellement la même analyse.
L’intégration de nos données et de notre propriété intellectuelle aux modèles change fondamentalement la donne. En connectant nos bases de données internes, modèles financiers, notes de recherche et ensembles de données propriétaires aux LLM, nous pouvons créer un environnement IA véritablement différenciant. Lorsqu’un analyste interroge notre système, celui-ci s’appuie non seulement sur des sources publiques, mais aussi sur la recherche accumulée de Schroders, nos prévisions macroéconomiques internes, les modèles propriétaires de nos analystes et les données de positionnement de notre portefeuille. Différents agents se concentrent sur différentes tâches : extraction de données, visualisation, traitement du langage naturel, suivi de thèses... élevant ainsi la qualité et la pertinence des résultats à un niveau supérieur.
À titre d’exemple, un analyste couvrant les actions latino‑américaines pourrait demander : « Quelle est la vision de notre équipe matières premières sur les prix du cuivre, et comment cela se compare-t-il aux hypothèses de demande de cuivre intégrées dans nos projections d’adoption des véhicules électriques et de développement des infrastructures réseau en Chine ? ». Le système, une fois connecté à notre propriété intellectuelle interne, à la recherche tierce et aux données de marché, pourrait alors fournir une réponse intégrée qui aurait auparavant nécessité des heures de recoupement manuel.
Intégrer nos propres recherches à l’IA
Le changement le plus puissant réside peut‑être dans la réintégration de nos propres recherches – la production intellectuelle accumulée de centaines d’analystes et de gestionnaires de portefeuille – dans les systèmes d’IA. Nous ne sommes plus de simples consommateurs de contenu généré par l’IA : nous développons des outils qui apprennent de notre connaissance collective.
Les analystes produisent un volume considérable de recherche : notes d’entreprises, analyses sectorielles, recherches thématiques, commentaires de modèles et recommandations d’investissement. Une grande partie de ce savoir institutionnel est aujourd’hui dispersée dans des dossiers partagés, des messageries ou des discussions Teams, accessibles uniquement à ceux qui sauraient où chercher ou qui auraient assisté à la bonne réunion. L’avenir est celui d’une recherche structurée, indexée et accessible en tant que contexte pour nos outils d’IA.
Les implications concrètes sont majeures. Un gérant de portefeuille se préparant à une réunion sur le secteur des industries européennes pourra bientôt demander au système de synthétiser les différentes convictions de la maison sur le secteur, en mettant en lumière non seulement les notes récentes, mais aussi l’évolution des convictions dans le temps. Un nouvel analyste rejoignant l’équipe pourra accéder rapidement aux connaissances institutionnelles accumulées sur son univers de couverture, comprenant non seulement ce que nous pensons aujourd’hui, mais aussi le raisonnement et les preuves qui sous-tendent ces opinions.
De manière cruciale, cela nous permettra d’utiliser l’IA pour aider les analystes à suivre leurs propres thèses d’investissement de manière plus systématique. Lorsqu’un analyste publie une thèse – par exemple, qu’une entreprise particulière verra une augmentation de marge due à une concurrence moindre et donc à un plus grand pouvoir de tarification – le système pourra surveiller les données entrantes (communiqués de résultats, commentaires de direction, rapports sectoriels) et signaler tout élément venant confirmer ou infirmer cette thèse. Cela nous fera passer d’un monde où la surveillance par thèse était sporadique et manuelle à un monde où elle est continue et systématique.
Suivi des thèses et compréhension globale des risques
L’un des apports les plus structurants de cette deuxième phase d’adoption de l’IA est la manière dont ces outils peuvent nous aider à comprendre nos expositions aux risques de manière plus globale et en temps opportun.
Traditionnellement, la gestion des risques dans l’investissement actif en actions s’appuie largement sur des modèles factoriels quantitatifs. Ces éléments sont précieux, mais ils décrivent le risque en termes statistiques (quelle part de la variation du rendement d’un portefeuille peut être attribuée à des facteurs tels que la valeur, le momentum ou la taille). Ce qu’ils ne capturent pas bien, c’est le risque fondamental au niveau de la thèse, que les gérants actifs prennent réellement en compte : les points de vue et jugements spécifiques sur les investissements qui guident le positionnement du portefeuille, ainsi que les différents thèmes qui sont liés même si un modèle factoriel ne les prend pas en compte.
Ce type de transparence au niveau de la thèse, renforcé par la capacité de l’IA à traiter continuellement l’information, représente un véritable changement dans notre compréhension et notre gestion des risques. Dans un monde compatible avec l’IA, différents agents peuvent suivre les différents facteurs attendus pour une entreprise, et la probabilité que les risques identifiés se manifestent. Cela permet aux gérants de portefeuille de décider plus finement quelles convictions renforcer, couvrir ou réexaminer.
Quels sont les avantages de l’adoption de l’IA 2.0 ?
S’appuyant sur les gains d’efficacité de la première phase, cette intégration plus profonde de l’IA dans notre processus d’investissement apporte des bénéfices dans plusieurs dimensions :
- Des informations génériques aux analyses propriétaires. En reliant nos propres données et recherches aux LLM, nous obtenons des résultats qu'aucun concurrent ne peut reproduire. Ces analyses reflètent le savoir-faire accumulé par notre entreprise, nos modèles spécifiques et nos points de vue exclusifs. Il s'agit là d'un véritable facteur de différenciation.
- Des tâches uniques à l’IA agentique. Le suivi des thèses assisté par l’IA permet de tester en continu nos thèses d’investissement à l’aune des nouvelles informations disponibles, plutôt que de les réévaluer uniquement lors de revues programmées. Cela facilite une identification plus rapide des situations où une thèse se concrétise, s’essouffle ou est remise en cause.
- D’une lecture du risque par facteurs à une lecture du risque par thèse. Relier les positions à des thèses d’investissement spécifiques et suivre ces thèses en temps réel offre aux gérants de portefeuille une compréhension beaucoup plus fine des expositions réelles du portefeuille, en complément des outils traditionnels de gestion quantitative du risque.
- De l’intelligence individuelle à l’intelligence collective. Rendre la recherche de nos analystes accessible aux systèmes d’IA permet d’interroger, de croiser et de synthétiser les connaissances collectives de l’entreprise d’une manière jusqu’ici impossible. Une analyse produite par un analyste au Japon peut ainsi éclairer en temps réel la thèse d’un analyste européen, sans dépendre d’échanges informels ou fortuits.
- De la prévision non structurée à la prévision mesurée. À mesure que nous avançons vers des prévisions explicites et suivies dans le temps, nous créons l’infrastructure pour un véritable système d’apprentissage. Sur la durée, cela aide chaque analyste et gérant de portefeuille à affiner son jugement, ce qui, selon nous, se traduira par de meilleurs résultats d’investissement.
En regardant vers l’avenir
Dans notre premier article, nous décrivions 2025 comme l’année où les outils d’IA deviendraient pleinement intégrés et utilisés de manière routinière. C’est désormais une réalité. Les LLM et nos autres outils font aujourd'hui partie du flux de travail quotidien de centaines d’analystes et de gérants de portefeuille, au sein de nos équipes de gestion actions actions et crédit.
2026 s’annonce comme l’année où l’IA passera du statut d'outil de productivité à celui de source d'informations pour les investissements. L’intégration de nos données et recherches propriétaires dans les modèles, le développement de capacités de suivi des thèses d'investissement, ainsi que le lien plus étroit entre les outils d’IA et les processus de gestion de portefeuille représentent un changement qualitatif majeur dans le rôle de l’IA au sein de notre processus d’investissement.
Nous restons convaincus que le rôle de l’IA est de renforcer, et non de remplacer, le jugement humain. Mais la nature de ce renforcement évolue rapidement. Dans la première phase, l’IA nous a aidés à traiter l’information plus rapidement. Dans cette deuxième phase, elle nous aide à structurer notre réflexion, à suivre nos convictions, à mieux comprendre nos expositions et à tirer des leçons de nos résultats. Les entreprises capables de tirer pleinement partie de ces évolutions – non seulement en déployant les outils, mais en les intégrant de manière réfléchie au cœur de leur processus d’investissement – offriront, selon nous, de meilleurs résultats à leurs clients sur la durée.
Charlotte Wood, responsable de l’IA et de l’Innovation :
L’IA fait désormais partie intégrante du fonctionnement quotidien de Schroders. Au cours de l’année écoulée, nous avons vu l’adoption s’accélérer considérablement, avec nos outils propriétaires au centre du dispositif, et de nombreux cas d’usage désormais déployés et traduits en valeur tangible. Il est important de souligner que nous considérons l’IA comme un facteur visible de différenciation pour Schroders, dans le cadre de notre engagement clair envers l’innovation et l’évolution continue de notre façon de servir nos clients.
Comme décrit ci-dessus, la prochaine transformation est est déjà en cours, avec le passage d'une IA d'assistance à un modèle plus autonome. Concrètement, cela signifie passer de tâches dirigées par l’humain (par exemple « analyser ces sources », « rédiger du contenu ») à des systèmes d’IA qui agissent de manière proactive, d’abord avec une validation humaine pour chaque action, puis à terme, en fonctionnant de manière autonome dans un cadre de règles et de contrôles définis par l’humain.
Notre vision est que les agents IA deviennent une composante à part entière des équipes de Schroders, travaillant aux côtés des collaborateurs et pour leur compte afin de prendre en charge des tâches de plus en plus complexes. Cela permettra à nos équipes de se concentrer sur le jugement et les activités à plus forte valeur ajoutée pour les clients. Un nombre croissant de tâches pourra ainsi être exécuté en arrière‑plan, ne nécessitant une intervention humaine que pour les exceptions, les escalades ou les situations exigeant une expertise spécifique.
La mise en œuvre responsable de cette vision repose sur des fondations solides, que mon équipe est en train de construire. Ces fondamentaux incluent la création d’une plateforme pour développer et exploiter des agents, la capacité pour ces agents d’accéder aux sources de données, leur connexion aux systèmes métier afin qu’ils puissent passer à l’action et, de manière cruciale, la mise en place de mécanismes de contrôle et de supervision garantissant un comportement sûr et parfaitement visible.
Nous considérons cela comme la voie qui mène de l'IA en tant qu'outil de productivité à l'IA en tant que capacité évolutive – intégrée, maîtrisée et véritablement transformatrice pour notre mode de fonctionnement.
S’abonner à nos paroles d’experts
Visitez notre centre de préférences et choisissez les articles que vous souhaitez recevoir.
Réservé exclusivement aux investisseurs et aux conseillers professionnels.
Ce document exprime les opinions du gérant ou de l'équipe citée et ne représente pas nécessairement les opinions formulées ou reflétées dans d’autres supports de communication, présentations de stratégies ou de fonds de Schroders.
Ce document n’est destiné qu’à des fins d’information et ne constitue nullement une publication à caractère promotionnel. Il ne constitue pas une offre ou une sollicitation d’achat ou de vente d’un instrument financier quelconque. Il n’y a pas lieu de considérer le présent document comme contenant des recommandations en matière comptable, juridique ou fiscale, ou d’investissements. Schroders considère que les informations contenues dans ce document sont fiables, mais n’en garantit ni l’exhaustivité ni l’exactitude. Nous déclinons toute responsabilité pour toute opinion erronée ou pour toute appréciation erronée des faits. Aucun investissement et/ou aucune décision d’ordre stratégique ne doit se fonder sur les opinions et les informations contenues dans ce document.
Les performances passées ne sont pas un indicateur fiable des performances futures. Les cours des actions ainsi que le revenu qui en découle peuvent évoluer à la baisse comme à la hausse et les investisseurs peuvent ne pas récupérer le montant qu’ils ont investi.
Les prévisions contenues dans le présent document résultent de modèles statistiques, fondés sur un certain nombre d'hypothèses.
Elles sont soumises à un degré élevé d'incertitude concernant l'évolution de certains facteurs économiques et de marché susceptibles d'affecter la performance future réelle. Les prévisions sont fournies à titre d'information à la date d'aujourd'hui. Nos hypothèses peuvent changer sensiblement au gré de l'évolution possible des hypothèses sous-jacentes notamment, entre autres, l'évolution des conditions économiques et de marché. Nous ne sommes tenus à l'obligation de vous communiquer des mises à jour ou des modifications de ces prévisions au fur et à mesure de l'évolution des conditions économiques, des marchés, de nos modèles ou d'autres facteurs.
Ce document est produit par Schroder Investment Management (Europe) S.A., succursale française, 1, rue Euler, 75008 Paris, France.
Authors
Thèmes