IA et gestion d’actifs : peut-elle battre les gérants de fonds sans les remplacer ?

L’intelligence artificielle ne se contente plus d’automatiser des tâches administratives dans les banques et les sociétés de gestion. Elle s’invite au cœur du métier, là où se prennent les décisions les plus sensibles : choisir des titres, construire un portefeuille, évaluer un risque et arbitrer entre rendement espéré et prudence. Au 16 juin 2025, une étude attribuée à l’université Stanford relance frontalement le débat en avançant que des algorithmes ont fait mieux que la très grande majorité des gérants de fonds en actions américaines.

Le constat est frappant, mais il mérite d’être lu pour ce qu’il est. Un système qui excelle sur des données historiques ne devient pas pour autant un investisseur infaillible, capable de prévoir chaque crise ou de remplacer à lui seul une équipe de gestion. L’enjeu est plutôt de comprendre ce que l’IA sait faire mieux, ce qui reste difficile pour elle, et la manière dont cette technologie transforme déjà l’industrie financière.

Une étude qui place l’IA devant la plupart des gérants

Selon les résultats rapportés par cette étude, des systèmes d’intelligence artificielle ont surpassé 93 % des gérants de fonds communs de placement investis en actions américaines. Les chercheurs concluent également que les performances de l’IA étaient, en moyenne, six fois supérieures à celles des experts humains étudiés.

Le travail repose sur des données de marché couvrant les années 1980 et 1990. Les algorithmes ont ensuite été utilisés pour évaluer et recomposer les portefeuilles de 3 300 fonds, sur une période allant de 1990 à 2020. Autrement dit, il ne s’agit pas simplement d’un logiciel qui choisirait une action isolée à un instant donné : le test porte sur la capacité d’un modèle à analyser des informations financières et à construire des portefeuilles comparables à ceux de professionnels.

Ces chiffres donnent une mesure spectaculaire de la capacité des machines à repérer des régularités dans les marchés. Ils ne dispensent cependant pas de questions essentielles : les résultats tiennent-ils compte de tous les coûts de transaction ? Une stratégie performante dans une simulation ou sur des données passées resterait-elle performante lorsque de nombreux investisseurs l’emploient réellement ? Les informations présentées ne permettent pas, à elles seules, de trancher ces sujets.

Pourquoi la rivalité entre humains et machines ne date pas d’hier

L’idée que les experts financiers ne battent pas toujours le marché est bien antérieure aux modèles d’IA actuels. En 1973, le professeur Burton Malkiel avait popularisé une formule devenue célèbre : un singe lançant des fléchettes sur les pages financières pourrait choisir des titres aussi efficacement qu’un expert.

Derrière la provocation se trouvait une critique sérieuse de la gestion active. Battre durablement un indice de marché est difficile, notamment parce que les cours incorporent rapidement une grande quantité d’informations connues. Les expériences et concours inspirés de cette idée ont parfois donné l’avantage à des sélections aléatoires face à des professionnels. Ils ne prouvent pas que l’analyse humaine est inutile, mais rappellent qu’une intuition convaincante ne suffit pas à produire, année après année, des résultats supérieurs.

L’IA déplace aujourd’hui la question. Elle n’est pas une sélection aléatoire : elle apprend à partir d’immenses ensembles de données et cherche des relations statistiques trop nombreuses, trop rapides ou trop discrètes pour être repérées manuellement. Le défi n’est donc plus seulement de savoir si un humain peut battre le hasard. Il est de savoir si une machine peut déceler des signaux utiles avant qu’ils ne soient déjà intégrés dans les prix.

Comment l’IA analyse-t-elle les marchés et les entreprises ?

Dans la gestion d’actifs, les données sont partout : historiques de cours, volumes échangés, résultats d’entreprises, bilans, notes d’analystes, documents réglementaires, informations macroéconomiques et parfois communications internes autorisées dans un cadre professionnel. Le principal avantage de l’IA est sa capacité à parcourir, classer et comparer ces informations à une vitesse impossible à atteindre pour une seule personne.

Les modèles prédictifs utilisés en investissement sont entraînés à partir d’exemples passés. Ils cherchent, par exemple, les combinaisons d’indicateurs qui ont précédé une hausse, une baisse ou une modification de la volatilité. Le modèle peut ensuite attribuer un score à un titre, estimer un niveau de risque ou proposer une répartition entre plusieurs actifs.

Cette approche associe généralement plusieurs capacités :

• l’analyse de données chiffrées, comme les prix, les ratios financiers et les volumes ;
• le traitement automatique du langage, utile pour lire de vastes quantités de textes ;
• l’optimisation de portefeuille, qui répartit les sommes investies en fonction d’objectifs et de contraintes ;
• des contrôles de risque, destinés à limiter une concentration excessive ou une exposition jugée dangereuse.

BlackRock, présenté comme le premier gestionnaire d’actifs mondial, a développé un système d’IA nommé Asimov. Selon les informations rapportées, cet outil examine des notes de recherche, des documents d’entreprises et divers courriels afin d’aider à optimiser les décisions d’investissement. Ce type de dispositif illustre un point important : l’IA financière ne se limite pas à prédire le prochain mouvement d’un cours. Elle sert aussi à rendre exploitable une masse documentaire que les équipes ne pourraient pas lire intégralement.

L’IA remplace-t-elle vraiment un gérant de fonds ?

La réponse courte est non, du moins pas de manière simple. Les algorithmes peuvent traiter des volumes d’information considérables, appliquer une méthode sans fatigue et réagir rapidement à des règles prédéfinies. Les gérants, eux, apportent une connaissance qualitative des entreprises, une appréciation du contexte politique ou économique, et une responsabilité directe envers leurs clients.

Un gérant peut aussi décider qu’un modèle n’est plus adapté parce qu’une rupture majeure a changé les règles du jeu : crise financière, choc géopolitique, nouvelle réglementation ou événement exceptionnel. Une IA entraînée sur le passé risque au contraire de prolonger un raisonnement devenu inadéquat si elle n’est pas correctement surveillée et réévaluée.

Pourquoi de meilleurs résultats historiques ne suffisent pas

La finance est un terrain particulièrement exigeant pour l’intelligence artificielle. Les marchés changent en permanence et réagissent aussi aux comportements des investisseurs. Une stratégie qui identifie une anomalie peut perdre son avantage dès lors que trop d’acteurs cherchent à l’exploiter.

Le premier risque est celui du surapprentissage. Un algorithme peut sembler remarquable parce qu’il a mémorisé les particularités d’une période historique, sans avoir appris une règle réellement utile pour l’avenir. Il devient alors très bon pour expliquer le passé, mais médiocre lorsqu’il rencontre des conditions nouvelles.

Le deuxième enjeu est la qualité des données. Les bases historiques reflètent les choix, les biais et les limites de leur époque. Elles peuvent contenir des informations incomplètes ou donner trop de poids à des variables qui n’auront plus la même importance demain. L’IA peut également confondre une corrélation avec une causalité : deux phénomènes ont évolué ensemble dans les données, sans que l’un explique nécessairement l’autre.

Enfin, la performance affichée n’est qu’une partie de la décision d’investissement. Un portefeuille doit aussi tenir compte de sa volatilité, de sa liquidité, de l’horizon du client, de ses contraintes et de sa capacité à supporter les pertes. Deux stratégies ayant le même rendement final peuvent présenter des niveaux de risque très différents.

Pour le grand public, une règle reste donc valable : les performances passées ne préjugent pas des performances futures. La présence d’intelligence artificielle dans un produit financier n’est ni une promesse de gains ni un substitut à la compréhension de son niveau de risque.

Une industrie qui revoit ses métiers et ses responsabilités

L’adoption de l’IA pousse les sociétés de gestion à recruter et former des profils hybrides. Aux compétences traditionnelles de la finance s’ajoutent la science des données, la programmation, la cybersécurité et la capacité à auditer des modèles. Le rôle des professionnels évolue : ils ne sont plus uniquement ceux qui lisent les comptes d’une entreprise ou passent des ordres, mais aussi ceux qui définissent les règles, testent les systèmes et remettent leurs résultats en question.

Cette transformation peut améliorer l’efficacité opérationnelle. Un outil capable de résumer des milliers de pages de rapports ou de repérer rapidement une incohérence permet aux équipes de consacrer davantage de temps à l’analyse et à la décision. Elle peut aussi réduire certains coûts de traitement de l’information.

Mais l’automatisation ne fait pas disparaître la responsabilité. Lorsqu’un algorithme recommande une mauvaise allocation, prend-il une décision erronée à cause des données, de sa conception, d’un paramétrage humain ou d’un contrôle insuffisant ? Cette question est centrale pour les établissements financiers, qui doivent pouvoir expliquer leurs processus aux clients, aux autorités de contrôle et à leurs propres équipes de gestion des risques.

Transparence, biais et stabilité des marchés : les défis à résoudre

L’essor de l’IA dans la finance soulève plusieurs enjeux éthiques et réglementaires. Les modèles doivent être protégés contre des données manipulées ou des attaques informatiques. Ils doivent aussi éviter de reproduire des biais présents dans leurs données d’entraînement, en particulier lorsqu’ils sont utilisés pour évaluer des entreprises, des emprunteurs ou des risques.

La transparence est un autre point décisif. Certains systèmes complexes peuvent produire une recommandation très précise sans fournir une explication facile à comprendre. Or un établissement ne peut pas se contenter de répondre qu’une machine a décidé. Il doit être en mesure de justifier une méthode, de documenter ses contrôles et d’identifier les limites du modèle.

Il existe également un risque collectif. Si de nombreux acteurs emploient des modèles semblables et réagissent simultanément au même signal, leurs décisions pourraient amplifier les mouvements de marché. La diversité des approches humaines et techniques n’est donc pas seulement une question de concurrence : elle participe aussi à la stabilité du système financier.

Ce qu’il faut surveiller dans les prochaines années

Les résultats attribués à Stanford confirment que l’IA peut devenir un concurrent redoutable sur certaines tâches de sélection et de construction de portefeuille. Son avantage le plus net réside dans l’analyse rapide de masses de données et dans l’application disciplinée de règles complexes. Pour autant, la gestion financière ne se réduit pas à un classement de titres selon une probabilité de hausse.

La question la plus utile n’est peut-être pas de savoir si la machine vaincra définitivement les « maîtres de la finance ». Il s’agit plutôt de déterminer quelles décisions peuvent être augmentées par l’IA, lesquelles doivent rester sous contrôle humain, et quelles règles sont nécessaires pour protéger les investisseurs.

Les prochains progrès devront donc être évalués au-delà d’un seul chiffre de performance. Il faudra observer leur robustesse lors de conditions de marché inédites, leur transparence, leurs coûts réels, leur sécurité et la qualité de leur supervision. C’est à cette condition que l’intelligence artificielle pourra devenir un outil durable de la gestion d’actifs, plutôt qu’une promesse technologique difficile à vérifier.