Du copilote au modèle opérationnel

La première vague d'IA générative portait principalement sur la productivité individuelle. L'IA pourrait aider une personne à rédiger, résumer, effectuer des recherches, coder ou préparer un compte-rendu de réunion. Ces fonctions sont utiles, mais elles restent généralement axées sur une tâche précise : un utilisateur, un prompt, un résultat.

L'IA agentique témoigne d'une évolution plus générale. Dès lors que l'IA est capable de prendre en charge une séquence d'étapes, d'utiliser des outils, de conserver le contexte et de transmettre des résultats structurés à une personne ou à un autre système, la question pertinente n'est plus de savoir si cet outil peut aider à travailler plus vite, mais dans quel flux de travail ce système s'inscrit, quelles sont ses capacités et comment ses résultats sont validés.

Cette distinction est particulièrement importante dans la gestion d'actifs, car les décisions d'investissement sont rarement prises de manière isolée. Elles s'inscrivent dans une chaîne de travail plus large : préparation des recherches, suivi des portefeuilles, analyse des risques, reporting client, due diligence, contrôles de conformité, qualité des données, opérations et documentation. L'IA peut faciliter bon nombre de ces étapes, mais uniquement si le processus qui l'entoure est conçu de manière réfléchie.

Passer du rôle de copilote à celui de modèle opérationnel est donc une question de capacités, d'échelle et de contrôle. Un simple assistant IA peut s'avérer utile, même si le processus qui l'entoure est informel. Cependant, une fois que l'IA est intégrée à des flux de travail reproductibles, les gérants d'actifs doivent se pencher sur les questions de cohérence, de visibilité des coûts, de journalisation des opérations, des procédures d'escalade et de validation humaine.

L'infographie ci-dessous illustre cette évolution en trois étapes.

Notez que tous les processus ne doivent pas nécessairement devenir agentiques, mais que les flux de travail assistés par l'IA doivent mériter le droit d'être déployés à grande échelle. Cela implique de savoir ce que le système est autorisé à faire, à quelles données il a accès, quel est son coût de fonctionnement, à quelle fréquence il rencontre des défaillances, quand il effectue une nouvelle tentative, sur quelles données il s'appuie et à quel moment il transmet le problème à un intervenant humain. Cela implique également de tenir à jour les inventaires relatifs au flux de travail : responsables désignés, sources de données approuvées, outils approuvés, étape du cycle de vie, fréquence des vérifications et procédures d'escalade.

C'est là que la réflexion sur le flux de travail rejoint directement celle de la gouvernance. L'ancrage, la stabilité, l'octroi d'autorisations, les pistes de preuves et le contrôle humain ne sont pas dissociés du modèle opérationnel.¹ C'est grâce à eux que les flux de travail assistés par l'IA peuvent passer du stade expérimental à celui d'une utilisation institutionnelle.

En ce sens, la conception des flux de travail s'inscrit dans la discipline d'investissement. Les entreprises qui tirent le plus grand profit de l'IA agentique ne sont peut-être pas celles qui automatisent le plus rapidement, mais celles qui mettent en place des processus reproductibles, vérifiables, soucieux des coûts et responsables. La prochaine étape ne consistera pas à se contenter d'utiliser davantage l'IA, mais à concevoir de meilleurs flux de travail autour de celle-ci.

Note de bas de page

¹ Voir l'article de Mike Chen intitulé « IA agentique et gouvernance ».