3/4+150 XP

Personnaliser le conseil avec les robo-advisors et les copilotes LLM

# Personnaliser le conseil avec les robo-advisors et les copilotes LLM

Une cliente ouvre son application bancaire à 23h et tape : « J'ai touché 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 actuelles. C'est la promesse du copilote IA en gestion de patrimoine. Le danger, c'est que le même système, interrogé de la même façon par quelqu'un d'autre, invente avec aplomb un fonds qui n'existe pas.

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

Du robo-advisor au copilote LLM

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 aux questions, vous obtenez un portefeuille modèle, le logiciel le maintient sur sa cible.

Un copilote LLM ajoute par-dessus un large language model (un système entraîné sur du texte, capable de converser et de raisonner sur des documents). Au lieu d'un questionnaire statique, 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 gère 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 mauvais en arithmétique que vous ne pouvez pas vérifier. Si vous demandez à un LLM de « rééquilibrer en 60/40 », il peut produire des allocations d'apparence plausible dont la somme est fausse ou qui ignorent les lots fiscaux.

L'architecture ressemble donc à ceci :

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

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

Le conseil orienté objectifs, rendu personnel

Le goals-based investing organise l'argent autour d'objectifs précis (la retraite, un apport immobilier, les études d'un enfant) plutôt qu'autour d'une unique « tolérance au risque » agrégée. Chaque objectif a son propre horizon de temps et son propre 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 dans les clous
Contrainte : le client refuse le tabac et l'armement

Quand le client pose sa question sur le bonus, le copilote peut raisonner sur les trois. 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'intake concret

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

json

{
  "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 compte. 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, c'est une meilleure personnalisation que n'importe quel score de questionnaire.

Où le profilage de risque uniforme casse

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

Capacité contre tolérance. La *tolérance* au risque, c'est la 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 femme de 28 ans au revenu stable a une capacité élevée même si elle se sent nerveuse. Un retraité qui puise dans 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 renforcé pendant la baisse ou ont-ils fui ?

Dérive du contexte. Une perte d'emploi, une naissance, un héritage : tout change et un profil statique passe à côté. Un copilote peut demander une mise à jour lorsqu'il détecte une entrée de cash 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 formulent ces notions pour les investisseurs particuliers.

Rééquilibrer avec un copilote

Le rebalancing consiste à acheter et vendre pour ramener un portefeuille à son allocation 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 l'explication et le timing.

Bons comportements de copilote :

Rééquilibrage par seuil : ne rééquilibrer que lorsqu'un actif dérive au-delà d'une bande (par exemple plus ou moins 5 points de pourcentage), ce qui réduit les transactions inutiles.
Ordonnancement fiscalement conscient : dans un compte imposable, vendre d'abord les moins-values pour les matérialiser, éviter de déclencher des plus-values à court terme. C'est de la logique déterministe, pas de la devinette de LLM.
Justification en langage clair : « Votre allocation actions a dérivé 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 hallucination de LLM est une réponse assurée et fluide, mais factuellement fausse. En gestion de patrimoine, ce n'est pas une bizarrerie. C'est un événement de conformité et de responsabilité.

Des 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 rendu 12 % par an », sorti de nulle part.
Affirmations fiscales erronées : énoncer un plafond de versement ou une règle de travers.
Cadrage du conseil : passer de la pédagogie à une recommandation personnalisée que la société n'est ni autorisée ni désireuse de fournir.

Des garde-fous qui fonctionnent vraiment

Le retrieval, pas la mémoire. Utilisez la retrieval-augmented generation (RAG) : le LLM ne répond qu'à partir d'un corpus documentaire maîtrisé (votre liste de fonds approuvés, les barèmes fiscaux en vigueur, les positions réelles du client). Il cite la source. Si la réponse n'y figure pas, il le dit.

Contraindre les chiffres au moteur. Tout chiffre montré 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 précise, marchés en stress), le copilote passe la main à un conseiller humain. Concevez le passage de relais, ne le voyez pas comme un échec.

Confiance et information. Étiquetez clairement les sorties comme pédagogiques, sauf si un processus habilité les valide comme conseil. Journalisez chaque interaction pour l'audit.

Un contrôle rapide de garde-fou

python

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 que le moteur n'a pas produit
    for num in response.financial_figures:
        if num not in engine_numbers:
            return escalate("unverified figure")
    return response

Simple, mais cela impose la règle : le LLM propose le langage, le moteur et la liste approuvée détiennent les faits.

Vérification des acquis

1. Dans l'architecture recommandée pour un copilote LLM en gestion de patrimoine, quel composant doit calculer les cibles d'allocation et générer les ordres ?

2. Pourquoi la leçon insiste-t-elle sur le fait que le LLM doit « proposer une intention » tandis que le moteur « décide et exécute » ?

3. Quelle est la différence conceptuelle clé entre un robo-advisor traditionnel et un copilote LLM ?

CHOIX MULTIPLES

4. Sélectionnez TOUTES les bonnes réponses. Quelles tâches reviennent à juste titre à la couche LLM (et non au moteur déterministe) dans cette architecture ?

Sélectionnez toutes les réponses correctes.

CHOIX MULTIPLES

5. Sélectionnez TOUTES les bonnes réponses. Quels sont les risques ou raisons réels justifiant de séparer le LLM du moteur déterministe ?

Sélectionnez toutes les réponses correctes.

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 une fiduciary duty (agir au mieux de l'intérêt du client). Un copilote ne supprime pas cette obligation. La société la porte toujours.

Les régulateurs ont signalé leur inquiétude à propos de l'AI washing (surestimer les capacités de l'IA) et des conflits d'intérêts où une IA oriente les clients vers des produits qui profitent à la société. Concevez pour la transparence : indiquez que l'IA assiste, gardez un humain responsable du conseil, et évitez d'optimiser le copilote pour le revenu de la société au détriment du résultat client.

Position pratique pour 2026 : traitez le copilote comme un assistant qui élargit ce qu'un conseiller humain peut couvrir, pas comme un conseiller non supervisé. Échelle retail, responsabilité humaine.

Mise en pratique

Un copilote patrimonial bien conçu :

1. Parle au client et capte objectifs, contraintes et comportement révélé sous forme de données structurées.

2. Transmet le tout à un moteur déterministe pour le scoring, l'allocation et le rééquilibrage fiscalement conscient.

3. Utilise la RAG et l'injection de chiffres pour que chaque fait soit sourcé et chaque chiffre produit 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 de ce qu'on ne laisse jamais le modèle de langage être la source de vérité.

Points clés à retenir

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 de risque et tolérance, et pesez les actions révélées (vente panique) face aux réponses déclarées.
Contenez les hallucinations avec la RAG plus l'injection de chiffres. Ne répondez qu'à partir de documents approuvés, injectez des chiffres vérifiés par le moteur, et bloquez tout produit ou chiffre que le système ne peut pas sourcer.
Gardez un humain responsable. La fiduciary duty et les obligations d'information restent à la charge de la société ; concevez des chemins d'escalade explicites plutôt que de faire comme si le copilote gérait tout.

Construction de portefeuille et risque pilotés par l'IA

Compliance, explicabilité et gouvernance des modèles