Reports
The Good Business
Clientèles fortunées et petits épargnants regardent aujourd’hui avec intérêt le développement de l’intelligence artificielle. Déjà, de premières solutions émergent avec des promesses de rentabilité qui défient les performances humaines.
L’intelligence artificielle dans les produits d’épargne, mais de quoi s’agit-il ? Les banquiers et les spécialistes de la gestion de fortune expliquent à l’envi que l’utilisation de l’intelligence artificielle n’est pas une nouveauté. Selon une étude réalisée par le cabinet Deloitte, 70 % des institutions financières utilisent déjà l’IA ou prévoient de le faire dans un avenir proche.
À lire aussi : Comment les banques investissent dans l’intelligence artificielle ?
Si l’IA est déjà à l’œuvre, son usage devrait s’intensifier dans les prochains mois : Deloitte prévoit que les investissements mondiaux en IA dans les services financiers devraient atteindre 65 milliards de dollars en 2025, contre 22,6 milliards de dollars cinq ans auparavant.
« L’intelligence artificielle va considérablement améliorer l’efficacité opérationnelle des institutions financières en automatisant des processus clés et en optimisant la gestion des données », souligne Édouard de Saint-Pierre, directeur général de Lombard Odier France.
Différents cas d’usage
Si les systèmes automatisés existent depuis plusieurs années, ils deviennent désormais plus rapides et plus efficaces. Contrairement aux systèmes classiques qui suivent des règles prédéfinies, les modèles de machine learning s’adaptent et apprennent en continu à partir de données nouvelles. Cela les rend plus flexibles et plus réactifs aux changements.
Dans l’industrie financière, l’intelligence artificielle est aujourd’hui avant tout utilisée à des fins de sécurité. Les KYC – pour Know Your Customer –, ces obligations réglementaires qui requièrent une connaissance de l’identité du souscripteur, sont aujourd’hui renforcées grâce à l’intelligence artificielle. Cette dernière est également utilisée à des fins de détection des comportements frauduleux et de surveillance des transactions en temps réel.
Scalabilité des offres grand public
Au-delà de ces cas d’usage, invisibles aux yeux des clients, qu’en est-il des produits proposés ? La principale utilisation est aujourd’hui faite par les plates-formes d’épargne grand public, 100 % numérisées. Elles intègrent désormais une intelligence artificielle à leur agent conversationnel chargé de définir le profil de risque de chaque épargnant.
En fonction du profil défini, une allocation sera proposée. Le niveau d’aversion au risque du client, sa sensibilité aux produits de finance verte seront alors mis en regard des différents produits proposés par la plate-forme. Une allocation clé en main sera alors suggérée.
Si l’IA conversationnelle est de plus en plus utilisée dans la relation client par les plates-formes grand public, du côté des banques privées, en revanche, la relation humaine reste au cœur de la proposition de valeur. « Nous sommes un pure player de la banque privée. Nous ne recherchons donc pas la scalabilité, mais le meilleur service client », poursuit Édouard de Saint-Pierre.
Calcul de la cherté relative
En France, un acteur se distingue dans l’utilisation de l’intelligence artificielle : Avnear (prononcez « avenir »). La fintech se positionne comme la « première plate-forme d’investissement qui détecte les surévaluations du marché avant d’investir, renforçant ainsi la sécurité des contrats d’assurance-vie et PER ». En clair, grâce à l’IA, la plate-forme va détecter le bon point d’entrée.
« Lorsqu’on achète un bien immobilier, on prend soin d’évaluer son prix avant de se décider.En épargne, à l’inverse, l’argent placé dans un contrat d’assurance-vie est investi d’un seul coup, sans considérer les valorisations actuelles. Pourtant, le moment où l’on investit a un impact crucial sur la performance future », explique Quentin Duquenne, cofondateur d’Avnear.
En réalisant le calcul de la cherté relative, l’intelligence artificielle va détecter le bon point d’entrée pour chaque investissement. « L’argent sera d’abord investi sur un fonds d’attente ; un fonds monétaire sécurisé qui va servir une rémunération autour de 3 %. Notre IA évalue les marchés et génère un code couleur pour signaler la surévaluation des supports d’investissement. En fonction de ce niveau de valorisation, l’IA ajuste la progressivité de l’investissement, évitant ainsi les points d’entrée surévalués et réduisant les risques de pertes pour le client », poursuit Quentin Duquenne.
En trois mois et demi, la fintech a atteint 3 millions d’euros d’encours, avec des performances réelles à la clé. « Pour l’heure, 100 % de nos contrats sont en performance, c’est-à-dire qu’aucun de nos clients ne perd de l’argent », souligne le CEO de la fintech.
Des freins à la mise en œuvre
Dans les banques privées, l’implémentation de l’intelligence artificielle à destination des analystes financiers est aujourd’hui savamment étudiée. « Les marchés financiers fonctionnent 24 heures sur 24, à travers toutes les industries et dans toutes les juridictions du monde. Au sein de Lombard Odier, nous couvrons cela grâce à plus de 200 analystes financiers. Le jour où nous parviendrons à les équiper avec des intelligences artificielles capables de surveiller constamment toutes les sociétés couvertes à travers ces différents marchés et de consolider ensuite ces analyses au sein d’une vue globale de portefeuille, nous aurons réalisé un gain de productivité énorme », souligne Édouard de Saint-Pierre.
Cependant, pour l’heure, cette automatisation est à l’étude, car des freins persistent. En premier lieu desquels la question de la gouvernance et celle de la confidentialité des données.
« L’intelligence artificielle est un outil extrêmement puissant, qui ne tolère pas l’approximatif. Une IA, même générative, travaille à partir d’un set de données existant à partir duquel elle se développe. En fonction de la façon dont la donnée est structurée, des biais peuvent exister. Ces biais vont perdurer et s’amplifier avec l’IA générative. Avant d’utiliser l’intelligence artificielle à grande échelle, nous devons travailler à la structuration de nos données », conclut Édouard de Saint-Pierre. À suivre, donc.
À lire aussi : Une épargne qui rapporte ? Cinq étapes à suivre
