Gestion d'actifs · Personnaliser le conseil avec les robo-advisors et les copilotes LLM

Une cliente ouvre son application bancaire à 23h et tape : « J'ai reçu un bonus de 40 000 $. Dois-je rembourser mon prêt immobilier ou renforcer mon portefeuille ? » L'application répond en quelques secondes, en s'appuyant sur ses objectifs, sa tranche d'imposition et ses positions existantes. C'est la promesse du copilote IA en gestion de patrimoine. Le risque, c'est que le même système, interrogé par quelqu'un d'autre sur la même question, invente avec assurance un fonds qui n'existe pas.

Cette leçon montre comment concevoir un copilote qui personnalise le conseil orienté objectifs, et où il déraille.

Du robo-advisor au copilote LLMLLMUn Large Language Model est un système d'IA entraîné sur d'énormes volumes de texte pour prédire et générer du langage, ce qui permet de rédiger, résumer ou répondre à des questions.Voir la définition complète →

Un robo-advisor est une plateforme automatisée qui construit et rééquilibre un portefeuille à partir de règles, généralement issues d'un court questionnaire de risque. Pensez à Betterment ou Wealthfront : vous répondez à des questions, vous obtenez un portefeuille modèle, le logiciel le maintient sur sa cible.

Un copilote LLM ajoute par-dessus un grand modèle de langage (un système entraîné sur du texte, capable de converser et de raisonner sur des documents). Au lieu d'un questionnaire figé, le client parle. Le copilote explique le pourquoi, rédige un plan et répond aux questions de suivi.

Les deux sont complémentaires. Le moteur robo fait les calculs et exécute les ordres. Le LLM prend en charge la conversation, l'explication et la nuance. Gardez ces rôles séparés. C'est la décision de conception la plus importante de cette leçon.

Pourquoi la séparation compte

Les LLM sont bons en langage et catastrophiques sur les calculs que vous ne pouvez pas vérifier. Si vous demandez à un LLM de « rééquilibrer en 60/40 », il peut produire des allocations vraisemblables dont la somme est fausse ou qui ignorent les lots fiscaux.

L'architecture ressemble donc à ceci :

• Moteur déterministe : scoring du risque, cibles d'allocation, calcul de la dérive, sélection des lots fiscaux, génération des ordres. Des règles auditables.
• Couche LLM : conversation d'entrée, explication, mise en scène des scénarios, nudges. Jamais la source finale d'un chiffre.

Le LLM propose une intention. Le moteur décide et exécute.

Le conseil orienté objectifs, rendu personnel

L'investissement orienté objectifs organise l'argent autour d'objectifs précis (la retraite, un apport pour un logement, les études d'un enfant) plutôt qu'autour d'une unique « tolérance au risque » agrégée. Chaque objectif a son horizon de temps et son portefeuille.

C'est là que la personnalisation devient concrète. Un copilote peut conserver le contexte :

• Objectif : apport immobilier, 3 ans, cible de 80 000 $
• Objectif : retraite, 25 ans, actuellement sur la trajectoire
• Contrainte : le client refuse de détenir du tabac ou de l'armement

Quand le client pose la question du bonus, le copilote peut raisonner sur les trois éléments. L'objectif à horizon court est sous-financé, donc la logique déterministe le privilégie. Le LLM explique ensuite l'arbitrage en langage clair.

Un flux d'entrée concret

Voici une structure simplifiée de la manière dont le LLM capte un profil et le transmet au moteur. Notez que le LLM produit des données structurées, pas des décisions.

{
  "client_id": "anon_4821",
  "goals": [
    {"name": "down_payment", "horizon_years": 3, "target": 80000, "priority": "high"},
    {"name": "retirement", "horizon_years": 25, "target": null, "priority": "high"}
  ],
  "constraints": {"exclude_sectors": ["tobacco", "firearms"]},
  "risk_signals": {"stated_tolerance": "moderate", "loss_reaction": "sold_in_2022"}
}

Ce champ loss_reaction a son importance. Un client qui se dit « modéré » mais qui a vendu dans la panique lors d'une baisse passée présente un comportement révélé qui contredit sa réponse déclarée. Capter les deux constitue une meilleure personnalisation que n'importe quel score de questionnaire isolé.

Là où le profilage de risque uniforme casse

Les questionnaires de risque traditionnels réduisent une personne à un chiffre de 1 à 10. Cela échoue de façon prévisible.

Capacité contre tolérance. La *tolérance* au risque, c'est le niveau de volatilité que vous dites pouvoir supporter. La *capacité* de risque, c'est la perte que vos finances peuvent réellement absorber compte tenu de vos objectifs et de votre horizon. Une personne de 28 ans avec un revenu stable a une capacité élevée même si elle se sent nerveuse. Un retraité qui tire un revenu de son capital a une capacité faible même s'il adore les actions. Les bons copilotes distinguent les deux.

Préférence déclarée contre préférence révélée. Les gens se décrivent mal. Un copilote qui dispose de l'historique des transactions voit la vérité : ont-ils investi davantage pendant la baisse ou ont-ils fui ?

Dérive du contexte. Une perte d'emploi, un enfant, un héritage : tout change, et un profil figé passe à côté. Un copilote peut solliciter une mise à jour lorsqu'il détecte une entrée de liquidités importante.

Le site Investor.gov de la SEC propose des contenus en langage clair sur l'évaluation du risque, utiles pour voir comment les régulateurs présentent ces notions aux particuliers.

Le rééquilibrage avec un copilote

Le rééquilibrage consiste à acheter et vendre pour ramener un portefeuille à sa répartition cible après que les marchés l'en ont écarté. La valeur du copilote n'est pas de passer l'ordre (c'est le moteur qui le fait). C'est d'expliquer et de choisir le moment.

Bons comportements de copilote :

• Rééquilibrage par seuil : ne rééquilibrer que lorsqu'un actif dépasse une bande de tolérance (par exemple plus ou moins 5 points de pourcentage), ce qui réduit les transactions inutiles.
• Ordonnancement fiscalement conscient : sur un compte imposable, vendre d'abord les positions en perte pour les matérialiser, éviter de déclencher des gains à court terme. C'est de la logique déterministe, pas des approximations de LLM.
• Justification en langage clair : « Votre allocation actions est passée à 68 % contre une cible de 60 % parce que les actions ont monté. Vendre 6 000 $ du fonds indiciel vous ramène à la cible et reste hors de la fenêtre de wash sale. »

Le problème des hallucinations

Une hallucinationhallucinationUne hallucination, c'est lorsqu'un modèle d'IA produit une réponse fluide et assurée mais factuellement fausse, inventée, ou non étayée par ses données sources.Voir la définition complète → de LLM est une réponse assurée et fluide, mais factuellement fausse. En gestion de patrimoine, ce n'est pas une bizarrerie. C'est un incident de conformité et de responsabilité.

Modes de défaillance réels contre lesquels concevoir :

• Produits inventés : le copilote recommande un ticker de fonds qui n'existe pas, ou se trompe sur un ratio de frais.
• Performance fabriquée : « Ce fonds a rapporté 12 % par an », sorti de nulle part.
• Affirmations fiscales erronées : énoncer incorrectement un plafond de versement ou une règle.
• Cadrage du conseil : passer de la pédagogie à une recommandation personnalisée que la firme n'est pas autorisée à donner ou n'entend pas donner.

Des garde-fousgarde-fousRègles et contrôles qui maintiennent un système d'IA dans des limites sûres, légales et conformes à la marque, en bloquant les sorties et actions hors cadre.Voir la définition complète → qui fonctionnent vraiment

Récupération, pas mémoire. Utilisez la retrieval-augmented generation (RAG) : le LLM répond uniquement à partir d'un corpus documentaire contrôlé (votre liste de fonds approuvés, les barèmes fiscaux en vigueur, les positions réelles du client). Il cite sa source. Si la réponse n'est pas dans le corpus, il le dit.

Contraindre les chiffres au moteur. Tout chiffre présenté au client (allocation, solde projeté, frais) provient du système déterministe et est injecté dans la réponse. Le LLM ne génère jamais un chiffre financier à main levée.

Refus et escalade. Pour tout ce qui sort du périmètre (transmission patrimoniale, déclaration fiscale spécifique, marchés en tension), le copilote passe la main à un conseiller humain. Concevez ce passage de relais, ne le traitez pas comme un échec.

Confiance et information. Étiquetez clairement la sortie comme pédagogique, sauf si un processus agréé la valide comme conseil. Journalisez chaque interaction pour l'audit.

Une vérification rapide des garde-fous

def safe_to_show(response, approved_products, engine_numbers):
    # Rejeter tout ticker absent de la liste approuvée
    for ticker in response.mentioned_tickers:
        if ticker not in approved_products:
            return escalate("unapproved product mentioned")
    # Rejeter tout chiffre non produit par le moteur
    for num in response.financial_figures:
        if num not in engine_numbers:
            return escalate("unverified figure")
    return response

Simple, mais cela impose la règle selon laquelle le LLM propose le langage tandis que le moteur et la liste approuvée détiennent les faits.

Réglementation et humain dans la boucle

Aux États-Unis, fournir un conseil en investissement personnalisé contre rémunération déclenche en général des obligations au titre de l'Investment Advisers Act, dont un devoir fiduciaire (agir dans le meilleur intérêt du client). Un copilote ne supprime pas ce devoir. La firme en reste porteuse.

Les régulateurs ont signalé leur préoccupation à l'égard de l'AI washing (surévaluer les capacités IA) et des conflits d'intérêts lorsqu'une IA oriente les clients vers des produits profitables à la firme. Concevez pour la transparence : indiquez que l'IA assiste, maintenez un humain responsable du conseil, et évitez d'optimiser le copilote pour le revenu de la firme plutôt que pour le résultat du client.

Posture pratique pour 2026 : traitez le copilote comme un assistant qui élargit le périmètre couvert par un conseiller humain, pas comme un conseiller non supervisé. Échelle grand public, responsabilité humaine.

Mise en place

Un copilote patrimonial bien conçu :

1. Parle au client et capte ses objectifs, ses contraintes et son comportement révélé sous forme de données structurées.
2. Transmet cela à un moteur déterministe pour le scoring, l'allocation et le rééquilibrage fiscalement conscient.
3. Utilise la RAGRAGMéthode qui permet à un modèle d'IA de répondre à partir de vos propres documents, en récupérant les passages pertinents avant de générer une réponse.Voir la définition complète → et l'injection de chiffres pour que chaque fait soit sourcé et chaque chiffre généré par le moteur.
4. Escalade vers des humains à des frontières définies et journalise tout.

La magie que ressentent les clients (une application qui semble les comprendre) vient du contexte et de la clarté du langage. La sécurité vient du fait de ne jamais laisser le modèle de langage être la source de vérité.

Points clés

• Séparez les rôles. Le LLM pour la conversation et l'explication, le moteur déterministe pour chaque chiffre et chaque ordre. Le LLM propose une intention, jamais des chiffres définitifs.
• Personnalisez sur le comportement, pas seulement sur un questionnaire. Distinguez capacité et tolérance au risque, et pondérez les actions révélées (vente panique) face aux réponses déclarées.
• Contenez les hallucinations par la RAG plus l'injection de chiffres. Répondez uniquement à partir de documents approuvés, injectez des chiffres vérifiés par le moteur, et bloquez tout produit ou chiffre que le système ne peut sourcer.
• Gardez un humain responsable. Le devoir fiduciaire et les obligations d'information restent à la charge de la firme ; concevez des chemins d'escalade explicites au lieu de prétendre que le copilote gère tout.