Résumé

  • Les gestionnaires de patrimoine peinent à répondre aux attentes de leurs clients en matière de recommandations de produits à la manière du commerce électronique, en raison de la complexité des caractéristiques des produits, des contraintes réglementaires et de la nature multidimensionnelle des objectifs.
  • Les approches fondées sur des règles ou sur la segmentation aboutissent à des conseils génériques et peu nuancés, ce qui sape la confiance des clients et limite l'évolutivité.
  • En combinant des modèles d'apprentissage automatique, l'optimisation mathématique (optimisation de portefeuille), les grands modèles linguistiques et une couche d'orchestration d'IA agentique, les banques peuvent intégrer data variées data transformer les résultats bruts de l'apprentissage automatique en explications plus claires, en recommandations et en actions automatisées.

La gestion de patrimoine est restée ancrée dans le passé. Les clients évoluent dans un monde où YouTube, TikTok ou Amazon leur proposent des recommandations hyper-personnalisées sans effort, tandis que les banques continuent de promouvoir leurs produits en s'appuyant sur des manuels de règles, une segmentation rigide et les conjectures des conseillers. Les banques peinent à répondre aux attentes des clients et à gérer la complexité des portefeuilles actuels. L'IA hybride peut changer la donne. En combinant l'apprentissage automatique, les techniques d'optimisation de portefeuille et l'intelligence contextuelle des grands modèles linguistiques, le tout régi par une couche d'IA agentique, les gestionnaires de patrimoine peuvent proposer des recommandations qui semblent intelligentes, personnalisées et opportunes. Le système est capable d'apprendre de chaque interaction, s'adapte automatiquement aux contraintes réglementaires et s'explique dans un langage que les clients et les conseillers comprennent réellement.

Le résultat constitue une véritable avancée : les conseillers bénéficient de recommandations plus précises, les canaux numériques deviennent de véritables moteurs de conversion, et les clients se sentent compris plutôt que ciblés. Les banques qui adopteront l'IA hybride définiront la prochaine ère du conseil, une ère où les relations humaines seront dynamisées par la collaboration entre IA, et où la confiance ne reposera plus sur les relations personnelles ou les techniques de vente, mais sur l'intelligence.

Introduction

À l’ère de Netflix, nous nous sommes habitués à des produits et services hautement personnalisés dans notre vie quotidienne. Les clients de la gestion de patrimoine, en particulier ceux pris en charge par des chargés de clientèle, attendent de plus en plus de bénéficier, pour les produits financiers, du même niveau de recommandations sur mesure que celui dont ils bénéficient pour les films ou leurs achats. Mais offrir une personnalisation à la Netflix dans le contexte hautement réglementé et à enjeux élevés de la gestion de patrimoine est bien plus complexe. Les produits financiers présentent des caractéristiques complexes, notamment des niveaux de risque, des conditions et des implications fiscales, et doivent s’aligner sur les objectifs et les contraintes propres à chaque client. Les entreprises qui comblent ce fossé en matière de personnalisation sont en mesure de renforcer l’engagement et la fidélité de leurs clients.

Ce livre blanc examine comment l'IA générative peut transformer les recommandations de produits dans le domaine de la gestion de patrimoine grâce à une approche hybride qui associe l'apprentissage automatique traditionnel et l'optimisation de portefeuille à l'IA générative.

Le déficit de personnalisation dans la gestion de patrimoine

La gestion de patrimoine est confrontée à des défis particuliers qui compliquent la formulation de recommandations de produits efficaces. Les recommandations basées sur l'apprentissage automatique (ML) utilisées dans le commerce électronique visent généralement un seul objectif (le prochain meilleur produit à acheter), mais les gestionnaires de patrimoine doivent concilier de multiples objectifs et contraintes : croissance du capital, revenus, atténuation des risques, optimisation fiscale, liquidité, ainsi que les objectifs et préférences individuels des clients. Le ML et le PO s'appuient tous deux sur data structurées ; une recommandation de produit holistique devrait intégrer des informations non structurées telles que les tendances du marché, les profils de risque des clients, les modèles de comportement et le sentiment des clients, qui sont difficiles à coder en informations structurées sur lesquelles les modèles de ML et de PO doivent être entraînés.

Les systèmes de recommandation traditionnels dans le domaine de la gestion de patrimoine, lorsqu’ils existent, ont tendance à être simplistes. De nombreuses banques s’appuient sur une allocation d’actifs fondée sur des règles ou sur une segmentation générale de la clientèle. Il s’agit là d’outils peu précis qui ne tiennent pas compte des nuances personnelles, telles que l’intérêt d’un client pour l’investissement durable ou ses besoins en matière de liquidités. Cela peut également conduire à des suggestions génériques et standardisées. C’est pourquoi de nombreux gestionnaires de relations s’en remettent par défaut à des approches manuelles, s’appuyant sur leur propre expérience et leur intuition plutôt que sur des analyses data. De leur côté, les clients peuvent se voir proposer des produits qui semblent déconnectés de leurs objectifs, ce qui réduit leur confiance dans le processus de conseil.

Les progrès réalisés dans le domaine de l'IA, en particulier l'IA générative associée à l'apprentissage automatique et à l'optimisation de portefeuille, offrent un moyen de faire un bond en avant.

Une approche hybride de l'IA générative pour des recommandations plus pertinentes

Pour surmonter les limites actuelles, nous proposons un moteur de recommandation hybride basé sur l'IA générative et spécialement conçu pour la gestion de patrimoine. Le terme « hybride » signifie ici qu'il combine plusieurs techniques d'IA et intègre un contrôle humain, tirant ainsi parti des atouts de chacune tout en atténuant leurs faiblesses.

1) Apprentissage automatique : les modèles traditionnels d'apprentissage automatique permettent d'analyser efficacement data relatives au comportement des clients, qu'il s'agisse de leurs investissements data , de leurs demandes de renseignements sur les produits ou de leurs clics sur le site web ou l'application. Cela permet de mettre en évidence des tendances et d'obtenir des informations sur les groupes de référence (par exemple, en constatant que des clients similaires au client A manifestent un intérêt pour les fonds d'actions ESG).

2) Optimisation du portefeuille : le système intègre de manière endogène différents objectifs et politiques de gestion/réglementation, notamment

  • Règles de conformité : cela garantit que, quelle que soit la créativité de l'IA, les suggestions restent appropriées, autorisées et conformes à la stratégie de l'entreprise, par exemple en matière de profil de risque.
  • Répartition stratégique des actifs : portefeuilles types intégrant les opinions des gestionnaires de portefeuille et les hypothèses relatives aux marchés financiers, telles que les exigences en matière de liquidité.
  • Campagnes : hiérarchisation des classes d'actifs menée par le directeur informatique (CIO) ou le directeur financier (CFO) afin d'orienter les équipes de première ligne vers certains produits ou certaines catégories de produits à un moment donné ; par exemple, une allocation cible dans une classe d'actifs telle que les obligations ou les actions

3) Intégration des canaux :

  • Pour une utilisation centrée sur l'humain, le système doit s'intégrer au flux de travail quotidien du gestionnaire de patrimoine. Les recommandations doivent s'afficher dans le tableau de bord CRM du conseiller ou sous forme d'alertes dans une application mobile pour une utilisation en déplacement. La plateforme doit recueillir les commentaires du conseiller : (« le client ne souhaite entendre parler que des obligations en dollars américains »). Au fil du temps, cela crée une boucle d'apprentissage dans laquelle l'IA s'adapte à ce que les conseillers jugent utile ou non, s'ajustant ainsi aux besoins du client.
  • Pour les canaux numériques (applications bancaires mobiles, messageries instantanées, e-mails), le système doit permettre de diffuser des messages adaptés à chaque canal, par exemple des présentations succinctes des produits, diffusées au moment opportun.

4) Raisonnement basé sur les grands modèles linguistiques (LLM) : un composant de grand modèle linguistique apporte du contexte aux recommandations proposées et peut intégrer des données issues à la fois de l'apprentissage automatique et de règles formalisées, ajoutant ainsi une dimension de raisonnement. Les LLM peuvent traiter data non structurées data que les informations sur les portefeuilles types, les profils clients, les comptes rendus de réunions des chargés de clientèle et les études de marché afin d'évaluer les données issues de l'apprentissage automatique et des règles formalisées. Par exemple, si un modèle d'apprentissage automatique signale un fonds du secteur technologique acheté par des clients similaires à notre client cible, le LLM pourrait noter que le client A a récemment exprimé sa prudence à l'égard des actions technologiques dans un e-mail. Le LLM peut alors ajuster le classement des recommandations ou proposer une alternative.

5) Apprentissage par renforcement et boucle de rétroaction : un module d'apprentissage par renforcement évalue les résultats et affine en permanence la stratégie de recommandation. Le retour d'information peut provenir de plusieurs sources : les actions du client (le client a-t-il acheté ou manifesté de l'intérêt pour le produit recommandé ?), les actions du conseiller (le conseiller a-t-il partagé la recommandation avec le client ou l'a-t-il ignorée ?) et les résultats de performance (l'investissement recommandé a-t-il donné les résultats escomptés par rapport aux objectifs du client ?). Ces signaux alimentent l'algorithme d'apprentissage afin d'ajuster le modèle.

Grâce à cette approche hybride à plusieurs niveaux, le moteur de recommandation combine des analyses data, une compréhension contextuelle, une gouvernance rigoureuse et un apprentissage continu. Il s'appuie sur l'IA générative, tout en restant ancré dans les réalités de la gestion de patrimoine haut de gamme.

Pour commencer

En combinant la précision de l'apprentissage automatique et de l'optimisation de portefeuille avec l'intelligence contextuelle des grands modèles linguistiques et de l'IA agentique, il est possible de créer un puissant moteur de décision de bout en bout. L'apprentissage automatique et l'optimisation de portefeuille excellent dans les tâches de prédiction structurées, car ils permettent de traiter de grands ensembles de données propres avec une grande précision. Cependant, ces résultats sont souvent limités et ne tiennent pas compte du contexte. En superposant des modèles d'apprentissage automatique, l'optimisation de portefeuille, de grands modèles linguistiques et une couche d'orchestration d'IA agentique, les banques peuvent intégrer data « bruyantes » data que les conversations avec les clients, les retours d'expérience ou les commentaires de marché, et traduire les résultats bruts de l'apprentissage automatique en explications, recommandations et actions automatisées plus pertinentes.

Les recommandations de produits basées sur l'IA hybride dans le secteur de la gestion de patrimoine offrent une formidable opportunité de redéfinir les normes en matière de services de conseil sur leurs marchés respectifs. Les banques devraient :

  • Passez en revue la plateforme et les processus actuels de personnalisation de l'expérience client. Souvent, rares sont les employés de la banque qui comprennent le fonctionnement global du système et la manière dont il est utilisé dans la pratique.
  • Découvrez les outils d'IA générative et data déjà disponibles (vous êtes peut-être plus près que vous ne le pensez de mettre en place un tel système), ainsi que les nombreux nouveaux modèles et méthodes actuellement proposés sur le marché.
  • Mener des essais pilotes contrôlés – par exemple, en commençant par un sous-ensemble de conseillers et de clients, ainsi qu'une gamme restreinte de produits, afin de tester le moteur de recommandation hybride en conditions réelles.

Au-delà de l'IA hybride

La tendance à associer l'apprentissage automatique traditionnel aux grands modèles linguistiques (LLM) et aux agents IA n'est pas propre au secteur des services financiers. Les acteurs du commerce électronique se préparent à l'avènement de l'« Agentic Commerce » : un monde où les humains n'interagissent plus directement avec les applications et les sites web, mais font appel à leurs assistants IA personnels pour effectuer des recherches et des transactions à leur place. Un monde où les clients demandent à leurs agents IA personnels : « Comment puis-je refinancer au mieux ma maison ? » ou « Trouve-moi des baskets pour l'anniversaire de mon fils ».

Dans ce monde, l'apprentissage automatique traditionnel et les recommandations de produits ne fonctionnent plus comme avant ; à la place, nous assisterons à une interaction entre IA, avec des IA capables d'interagir et de mener à bien des tâches d'exploration, de découverte, de négociation, de traduction et d'exécution, sous la supervision d'humains chargés de définir l'orientation, de les guider en cours de route et, en fin de compte, de donner leur accord.

Les gestionnaires de patrimoine pourraient eux aussi être confrontés à cette tendance : plutôt que de rencontrer directement les clients, les chargés de clientèle et leurs outils d'IA pourraient bientôt interagir avec les assistants IA personnels de leurs clients, et non plus avec les clients eux-mêmes. Les banques ne devraient pas considérer cette évolution comme une menace, mais plutôt comme un défi à relever pour mettre en place des plateformes de conseil capables de gagner la confiance des agents IA – et des humains qui les pilotent.