Résumé

  • Les gestionnaires de patrimoine ont du mal à répondre aux attentes des clients en matière de recommandations de produits de type commerce électronique en raison des attributs complexes des produits, des contraintes de conformité et des objectifs multidimensionnels.
  • Les approches fondées sur des règles ou sur la segmentation produisent des conseils brutaux et uniformes, ce qui érode la confiance des clients et limite l'évolutivité.
  • En superposant des modèles d'apprentissage automatique, d'optimisation mathématique (optimisation de portefeuille), de grands modèles de langage et une couche d'orchestration d'IA agentique, les banques peuvent intégrer diverses data et traduire les résultats bruts de l'apprentissage automatique en meilleures explications, recommandations et actions automatisées.

La gestion de patrimoine est bloquée dans le passé. Les clients vivent dans un monde où les recommandations de YouTube, TikTok ou Amazon sont hyperpersonnalisées et sans effort, alors que les banques proposent des produits en s'appuyant sur des règles, une segmentation maladroite et les suppositions de leurs conseillers. Les banques ont du mal à répondre aux attentes des clients et à la complexité des portefeuilles actuels. L'IA hybride peut changer cette situation. En fusionnant l'apprentissage automatique, la discipline d'optimisation des portefeuilles et l'intelligence contextuelle de grands modèles de langage, régis par une couche d'IA agentique, les gestionnaires de patrimoine peuvent fournir des recommandations qui semblent intelligentes, personnelles et opportunes. Le système peut apprendre de chaque interaction, s'adapter automatiquement aux contraintes réglementaires et s'expliquer dans un langage que les clients et les conseillers comprennent réellement.

Le résultat est un véritable bond en avant : les conseillers bénéficient de conseils plus pointus, les canaux numériques deviennent des moteurs de conversion et les clients se sentent compris plutôt que ciblés. Les banques qui adoptent l'IA hybride définiront la prochaine ère du conseil, une ère où les relations humaines sont alimentées par la collaboration entre IA et où la confiance n'est pas fondée sur les relations ou la 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 du secteur de la gestion de patrimoine, en particulier les segments servis par les gestionnaires de relations, s'attendent de plus en plus à recevoir le même niveau de recommandations personnalisées pour les produits financiers que pour les films ou les achats. Mais il est beaucoup plus complexe d'offrir une personnalisation de type Netflix dans un contexte de gestion de patrimoine à forts enjeux et fortement réglementé. Les produits financiers comportent 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 cette lacune en matière de personnalisation ont toutes les chances de renforcer l'engagement et la fidélité de leurs clients.

Ce livre blanc explore comment l'IA générative peut transformer les recommandations de produits dans la gestion de patrimoine grâce à une approche hybride qui marie l'apprentissage automatique traditionnel et l'optimisation de portefeuille avec la GenAI.

Le fossé de la personnalisation dans la gestion de patrimoine

La gestion de patrimoine est confrontée à des défis uniques qui rendent difficiles les recommandations de produits efficaces. Les recommandations basées sur la ML utilisées dans le commerce électronique optimisent généralement pour un seul objectif (le meilleur produit suivant à acheter), mais les gestionnaires de patrimoine jonglent avec de multiples objectifs et contraintes : croissance du capital, revenu, atténuation des risques, efficacité fiscale, liquidité, ainsi que les objectifs et les préférences de chaque client. La ML et l'OP sont toutes deux construites autour de data structurées ; une recommandation de produit holistique devrait incorporer 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 encoder dans des informations structurées sur lesquelles les modèles de ML et d'OP doivent être entraînés.

Les systèmes traditionnels de recommandation en matière de gestion de patrimoine, lorsqu'ils existent, ont tendance à être simplistes. De nombreuses banques s'appuient sur une allocation d'actifs basée sur des règles ou sur une segmentation générale de la clientèle. Il s'agit d'instruments brutaux qui ne tiennent pas compte des nuances personnelles, comme l'intérêt d'un client pour l'investissement durable ou ses besoins en liquidités. Ils peuvent également déboucher sur des suggestions génériques et uniformes. C'est pourquoi de nombreux gestionnaires de fonds adoptent par défaut des approches manuelles, se fiant à leur propre expérience et à leur intuition plutôt qu'aux informations fournies par data-driven. Les clients, quant à eux, peuvent recevoir des propositions de produits qui ne correspondent pas à leurs objectifs, ce qui réduit leur confiance dans le processus de conseil.

Les progrès de l'IA, en particulier la GenAI combinée à l'apprentissage automatique et à l'optimisation des portefeuilles, offrent un moyen de faire un bond en avant.

Une approche hybride de GenAI pour des recommandations plus intelligentes

Pour surmonter les limites actuelles, nous proposons un moteur de recommandation hybride alimenté par GenAI et adapté à la gestion de patrimoine. Le terme “hybride” signifie ici qu'il combine plusieurs techniques d'IA et intègre la supervision humaine, en tirant parti des forces de chacune d'elles tout en atténuant leurs faiblesses.

1) L'apprentissage automatique : les modèles traditionnels de ML sont efficaces pour analyser le comportement des clients data les investissements passés, les demandes de produits ou les clics sur le site web/l'application. Cela permet de découvrir des schémas et des informations sur les groupes de pairs (par exemple, identifier que des clients similaires au client A s'intéressent aux fonds d'actions ESG).

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

  • Règles de conformité : Cela garantit que, quelle que soit la créativité de l'IA, les suggestions sont appropriées, autorisées et conformes à la stratégie de l'entreprise, par exemple le profil de risque.
  • Allocation stratégique d'actifs : Portefeuilles modèles intégrant les points de vue des gestionnaires de portefeuille et les hypothèses du marché des capitaux, telles que les exigences en matière de liquidité.
  • Campagnes : La hiérarchisation des classes d'actifs par le DSI ou le DAF pour orienter la première ligne vers certains produits ou 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 dans le flux de travail quotidien du conseiller en placement. Les recommandations devraient apparaître dans le tableau de bord CRM du conseiller ou sous forme d'alertes dans une application mobile pour une utilisation en déplacement. La plateforme devrait recueillir les commentaires du conseiller (“le client n'est intéressé que par les obligations en USD”). Au fil du temps, cela crée une boucle d'apprentissage où l'IA s'adapte à ce que les conseillers trouvent utile ou non, en s'adaptant au client.
  • Pour les canaux numériques (applications bancaires mobiles, chats, courriels), le système doit prendre en charge les messages spécifiques au canal, par exemple les présentations tronquées de produits, délivrées au bon moment.

4) Raisonnement basé sur le LLM : Un grand modèle de langage ajoute un contexte aux recommandations des candidats et peut prendre des entrées basées sur des règles et des ML et ajouter une couche de raisonnement. Les LLM peuvent ingérer des données non structurées data telles que des informations sur les portefeuilles modèles, des profils de clients, des notes de réunions de RM et des études de marché afin d'évaluer les entrées basées sur des règles et sur l'apprentissage automatique. Par exemple, si un modèle d'apprentissage automatique signale un fonds du secteur technologique que des clients similaires à notre client cible ont acheté, le LLM peut noter que le client A a récemment exprimé sa prudence à l'égard des actions technologiques dans un courriel. Le LLM peut alors ajuster le classement de la recommandation ou proposer une alternative.

5) Apprentissage par renforcement et boucle de rétroaction : un composant d'apprentissage par renforcement évalue les résultats et affine en permanence la stratégie de recommandation. Le retour d'information peut provenir de plusieurs sources : actions du client (le client a-t-il acheté le produit recommandé ou manifesté son intérêt pour celui-ci ?), actions du conseiller (le conseiller a-t-il partagé la recommandation avec le client ou l'a-t-il ignorée ?) et 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 pour ajuster le modèle.

Grâce à cette approche hybride multicouche, le moteur de recommandation associe une vision data-driven, une compréhension contextuelle, une gouvernance stricte et un apprentissage continu. Il est alimenté par la GenAI, mais il est ancré dans les réalités de la gestion de fortune.

Pour commencer

La combinaison de la précision de l'apprentissage automatique et de l'optimisation de portefeuille avec l'intelligence contextuelle des grands modèles de langage et de l'IA agentique peut 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 parce qu'ils peuvent traiter de grands ensembles data avec une grande précision. Cependant, ces résultats sont souvent étroits et sans rapport avec le contexte. En superposant des modèles d'apprentissage automatique, l'optimisation de portefeuille, de grands modèles de langage et une couche d'orchestration d'IA agentique, les banques peuvent incorporer des data “bruyantes” telles que des conversations avec les clients, des retours d'information ou des commentaires sur le marché et traduire les résultats bruts de l'apprentissage automatique en de meilleures explications, recommandations et actions automatisées.

Les recommandations de produits hybrides alimentées par l'IA dans WM représentent une puissante opportunité de redéfinir les normes pour les services de conseil dans leurs marchés respectifs. Les banques devraient :

  • Révision la plate-forme et les processus actuels de personnalisation des clients. Souvent, peu de personnes au sein de la banque comprennent le système de bout en bout et la manière dont il est utilisé dans la réalité.
  • Explorer les outils GenAI et les actifs data déjà en place (vous êtes peut-être plus près que vous ne le pensez de déployer un tel système), et les nombreux modèles et méthodes plus récents sur le marché aujourd'hui.
  • Expérience dans le cadre de projets pilotes contrôlés - par exemple, en commençant par un sous-ensemble de conseillers et de clients, et un ensemble restreint de produits, afin de tester le moteur de recommandation hybride en action.

Au-delà de l'IA hybride

La tendance à mélanger l'apprentissage automatique traditionnel avec les LLM et les agents d'IA n'est pas propre aux services financiers. Les acteurs du commerce électronique se préparent à l'essor du commerce agentique : un monde où les humains n'interagissent plus directement avec les applications et les sites web, mais demandent à leurs assistants personnels d'IA de découvrir et d'effectuer des transactions pour eux. Un monde où les clients demandent à leurs agents d'IA personnels “comment réhypothéquer au mieux ma maison” ou “trouvez-moi des baskets pour l'anniversaire de mon fils”.

Dans ce monde, l'apprentissage automatique traditionnel et les recommandations de produits ne fonctionneront plus comme avant - au lieu de cela, nous verrons un engagement entre IA, des IA qui s'engagent et effectuent l'exploration, la découverte, la négociation, la traduction et l'exécution, avec la surveillance des humains pour définir la direction, donner un coup de pouce en cours de route et finalement approuver.

Les gestionnaires de patrimoine pourraient eux aussi être confrontés à cette tendance - au lieu de rencontrer les clients, les gestionnaires de relations et leurs outils d'IA pourraient bientôt s'engager avec les représentants personnels de l'IA de leurs clients au lieu du client. Les banques devraient considérer ce changement non pas comme une menace, mais comme un cahier des charges pour construire des plateformes de conseil capables de gagner la confiance des agents d'IA - et des humains qui se trouvent derrière eux.