Intelligence artificielle et gestion active : entre promesse technologique et réalité opérationnelle

Il y a un grand écart entre le discours sur l’utilisation de l’intelligence artificielle (IA) dans la gestion et la réalité. Selon une étude de l’ESMA, en 2025, seulement 145 fonds UCITS sur 44 000 mentionnent formellement son usage dans leur prospectus. Dans le même temps, la quasi-totalité des sociétés de gestion examinées par les analystes de Morningstar affirment employer l’IA sous une forme ou une autre. Entre ces deux chiffres se loge tout le problème : l’absence de définition réglementaire de ce qui constitue un usage de l’IA, incitations marketing évidentes, et une pratique d’« AI washing » qui rebaptise volontiers en IA des techniques quantitatives vieilles de vingt ans.

Pour y voir plus clair, dans le cadre d’une étude Morningstar publiée en mai 2026¹, nous avons croisé deux sources : une analyse systématique de notre univers de fonds notés et une série d’entretiens menés début 2026 avec des gérants couvrant tout le spectre de la gestion active, du stock-picking de conviction aux grandes plateformes de gestion systématiques.

Le verdict est sans ambiguïté : seules une vingtaine de sociétés, la plupart déjà dotées de solides infrastructures quantitatives, ont intégré l’IA générative, voire parfois agentique, de manière significative et avérée dans la recherche et les processus d’investissement. L’adoption est par ailleurs massivement biaisée vers les actions, là où la donnée est la plus riche et la plus structurée ; l’obligataire, un marché de gré à gré moins efficient et beaucoup plus complexe, se prête pour l’instant moins à l’utilisation d’outils IA.

Les outils de type machine learning n’ont rien de neuf dans la gestion d’actifs. Construction de facteurs, analyse de sentiment sur la base des transcriptions de résultats, traitement de données alternatives : ces techniques équipent les gérants systématiques depuis des années. Mais elles exigent un cahier des charges lourd, des ingénieurs et des programmeurs, des données structurées et une infrastructure propriétaire. Chaque modèle accomplit une tâche unique, définie en amont par un chercheur humain. Ce type d’IA est puissant, mais l’application reste étroite et réservée de fait aux grandes plateformes quantitatives.

L’IA générative renverse ce modèle. Un analyste peut désormais synthétiser des volumes considérables d’information non structurée, décomposer un problème ambigu et étendre sa couverture de recherche sans construire ni entraîner le moindre modèle. Les gains de productivité qui constituaient l’apanage des équipes quantitatives les mieux dotées deviennent accessibles à n’importe quelle équipe de gestion munie d’un modèle IA. Pour les gérants fondamentaux attachés à une démarche de recherche ciblée, qualitative, c’est une porte qui s’ouvre. Pour les quantitatifs, c’est une accélération : les cycles de développement de modèles se compressent, et tester la pertinence d’un signal ou d’un nouveau facteur, une tâche qui auparavant mobilisait un analyste pendant plusieurs semaines s’exécute désormais en quelques minutes.

La frontière entre les deux mondes s’érode. Les outils conçus pour la recherche systématique sont désormais aussi à disposition des équipes discrétionnaires, tandis que les gérants quantitatifs peuvent introduire un aspect qualitatif et des nuances dans leurs approches, auparavant l’apanage des gérants fondamentaux. Comme le résume le responsable de la gestion quantitative actions d’un grand gérant américain, la distinction entre l’analyste fondamental nuancé et l’analyste quantitatif rigoureux se brouille petit à petit.

Sur le terrain, les usages convergent vers un même schéma : un outil IA généraliste qui permet une première passe de recherche accélérée, tout en réservant le jugement humain pour tout le reste. Les gérants fondamentaux comparent le gain de productivité de l’IA à la disponibilité permanente de plusieurs analystes juniors. Parmi les exemples que nous avons recensés, l’une des équipes de gestion de Sumitomo Mitsui DS Asset Management, au Japon, utilise un moteur propriétaire pour lire et noter les commentaires qualitatifs des résultats financiers sur l’ensemble de la cote, afin de détecter des signaux précoces de changement dans l’univers des petites et moyennes capitalisations ; la recherche fondamentale approfondie n’intervient qu’ensuite, sur les sociétés les mieux notées. L’équipe obligataire spécialisée sur la dette émergente chez Ninety One agrège la recherche sell-side pour confronter ses vues macroéconomiques à une « voix du marché » lors de ses comités d’investissement.

Le monde quantitatif explore activement les cas d’usage avec, parfois, des voies sans issue. Robeco, l’une des grandes maisons européennes avec une expertise en gestion systématique, qui utilise pourtant des signaux fondés sur l’apprentissage automatique en production depuis des années, a tenté de répliquer le travail d’un analyste financier via un modèle d’IA de type chatGPT, générant des prévisions de résultats puis des signaux de rendement. Le prototype était prometteur, mais une fois confronté aux signaux existants, il n’a apporté aucune valeur additionnelle. L’équipe n’en a pas conclu que l’approche était invalide, mais qu’elle devait être revisitée à mesure que les modèles progressent. De même, l’équipe de gestion active quantitative de Vanguard fait tourner depuis 2023 une architecture jumelle avec, en parallèle, un modèle factoriel traditionnel et un modèle d’apprentissage automatique, se refusant pour l’instant à confier son modèle d’alpha à un modèle de langage de grande taille (Large Language Model ou LLM).

Autre enseignement : les outils se périment à une vitesse inédite. Man AHL, une société de gestion avec un long héritage dans la gestion quantitative, a construit en moins de trois ans trois outils internes basés sur l’IA générative, dont deux développés sur mesure pour la recherche quantitative. Tous ont été retirés et remplacés, en 2026, par Claude Code, sur lequel l’équipe a bâti une centaine de compétences spécifiques. La conviction de la maison est éclairante. L’avantage concurrentiel ne réside pas dans les outils, que tout concurrent peut acquérir, mais dans les décennies de données propriétaires et de savoir institutionnel sur lesquelles ils s’entraînent.

Si l’IA générative reste cantonnée à la recherche sans toucher la partie décision d’investissement, c’est d’abord parce qu’il n’est pas avéré qu’elle délivre un surcroît de performance. Le backtest, pilier de la validation quantitative, repose sur une hypothèse simple : mêmes données, même modèle, mêmes résultats. Les modèles d’IA générative brisent cette logique sur deux points. Premier point, le non-déterminisme : interrogé deux fois sur le même cas d’investissement, un LLM ne produira pas deux fois exactement la même conclusion, ce qui interdit de reconstituer un historique fiable de performance. Second point, plus subtil, le biais de connaissance future. Ces modèles sont entraînés sur des données qui incluent le dénouement des périodes que l’on voudrait tester. Demandez à un modèle d’évaluer Nvidia sur la seule base de ses comptes 2015 : il « sait » déjà, quelque part dans ses données d’entraînement, que la société est devenue un pilier de l’infrastructure de l’ère de l’IA dix ans plus tard. La recommandation d’achat ressemble à de la clairvoyance, mais c’est un mirage statistique.

Il y a d’autres freins à un déploiement plus profond de l’IA. À mesure que ces modèles étendent la capacité à produire de la recherche à grande échelle, la contrainte migre vers le contrôle des résultats et les erreurs des modèles génératifs sont précisément les plus difficiles à contrôler, car elles sont sporadiques et plausibles. Les détecter exige l’expertise des professionnels aguerris dont l’IA est censée libérer le temps... Plusieurs sociétés ayant intégré l’IA constatent que le volume de recherche – par exemple sur des titres ou sur des facteurs quantitatifs – croît plus vite que la capacité à vérifier rigoureusement. Par ailleurs, les tâches que l’IA absorbe sont celles par lesquelles les jeunes professionnels construisaient jusqu’ici leur capacité de jugement en matière d’investissement. Automatiser une partie grandissante des tâches d’analyse pourrait assécher le vivier des futurs vérificateurs.

La gouvernance constitue un autre obstacle majeur. Les régulateurs n’ont pas, à ce stade, créé de régime spécifique pour l’usage de l’IA générative dans la gestion de portefeuille : l’ESMA comme la FCA au Royaume-Uni renvoient les sociétés de gestion aux cadres existants, notamment MiFID II, les règles de gouvernance et l’obligation d’agir dans le meilleur intérêt du client. Une société de gestion doit pouvoir expliquer, documenter et assumer chaque choix d’investissement. Elle ne peut pas se contenter de dire à un client que « l’IA a choisi cet investissement ». Tant que les modèles resteront difficiles à auditer et à interpréter, la responsabilité fiduciaire ne pourra pas leur être déléguée. L’IA peut donc éclairer la décision, la préparer ou la challenger, mais la décision elle-même restera celle d’un gérant.

Pour les sélectionneurs de fonds et les investisseurs, la conséquence pratique est immédiate : la question « utilisez-vous l’IA ? » est devenue obsolète, tout le monde répondant par l’affirmative. La vraie question est ailleurs : l’IA a-t-elle changé une décision d’investissement précise ou l’a-t-elle seulement accélérée ? Un gérant capable de citer un cas concret, par exemple une position prise, écartée ou redimensionnée à cause d’un signal que l’IA a fait émerger, démontre une intégration réelle. Un gérant qui ne mentionne que des gains de temps décrit un outil de productivité, ce qui est respectable mais ne constitue pas un avantage compétitif durable, quand le même outil est accessible à tous ses concurrents.

La due diligence doit aussi interroger le dispositif de contrôle : qui vérifie la production des modèles, avec quelle expertise, et comment les sociétés de gestion préservent-elles la formation des employés moins expérimentés au jugement critique ? Enfin, la prudence s’impose face à toute affirmation d’alpha généré par LLM sans preuve tangible.

Car l’IA est un levier. Entre les mains d’une équipe rigoureuse et experte, elle étend la couverture et accélère l’analyse avec un impact potentiel sur la génération d’alpha. Entre les mains d’une équipe sans avantage compétitif, elle ne produira pas de surperformance magique. Les gagnants à plus long terme ne seront pas nécessairement les sociétés dotées des outils les plus sophistiqués, mais celles capables d’en faire le prolongement d’une expertise déjà solide.