Les actifs de retraite ont atteint un niveau record dans l'OCDE, totalisant 70 000 milliards de dollars (53 000 milliards de £) à la fin de 2024. La majorité est gérée par des fournisseurs de retraite avec 6 700 milliards de dollars (5 000 milliards de £) dans les fonds publics de réserve de retraite.
Pension Markets in Focus 2025 (Rapport OCDE)
Avec l'IA passant de projets pilotes expérimentaux à une utilisation courante dans de nombreux domaines des services financiers, les retraites ne font pas exception et, dans un marché de cette envergure, son potentiel est vaste. Comme pour toute opportunité présentée par l'IA, elle s'accompagne de nouveaux obstacles opérationnels, éthiques et réglementaires. Par exemple, la protection des données, le biais algorithmique et la conformité réglementaire sont tous au premier plan pour les administrateurs et les fournisseurs.
Mais les fournisseurs de retraite prendront du retard s'ils ne continuent pas à progresser sur le chemin de l'IA. Au fil du temps, les membres accepteront et s'attendront à ce que l'IA améliore leurs produits de retraite. Chez emagine, nous aidons les clients à explorer et à intégrer l'IA de manière sûre et conforme, avec un accent prépondérant sur une gouvernance des données robuste.
Stratégies d'investissement plus intelligentes
L'IA et l'apprentissage automatique peuvent améliorer les modèles d'investissement traditionnels, en traitant des ensembles de données bien plus grands qu'un humain ne peut le faire, et ce en quelques millisecondes.
La vitesse, l'étendue et la cohérence de cette analyse sont telles que des quantités considérables de données alternatives peuvent être analysées, telles que des signaux de marché en temps réel, identifiant des modèles qui échappent aux analystes humains.
Cela en fait un outil inestimable pour l'investissement en crédit et les approches systématiques de revenu fixe, en traitant les données pour décider quoi acheter et vendre, combler les lacunes de données et trouver les produits appropriés. L'IA devient également indispensable pour le trading d'obligations, la construction et le dé-risquage de la gestion de portefeuille, et le pilotage des stratégies de hedge funds.
Comme le dit la société de gestion d'actifs Alliance Bernstein : « Imaginez un gestionnaire de portefeuille qui a étudié dans les meilleures universités du monde, possède une mémoire photographique et une profonde compréhension de la macroéconomie et de la géopolitique. Elle est une consommatrice avide d'actualités et possède des quantités impressionnantes d'informations sur les actions, les obligations et les devises. Son cerveau analyse sans faille les détails de ses connaissances de base pour identifier les actifs les plus attractifs qui pourraient être affectés par les effets d'entraînement des événements actuels. »
En savoir plus ici sur le déploiement de l'IA dans les applications d'investissement
L'IA et l'apprentissage automatique peuvent améliorer les modèles d'investissement traditionnels, en traitant des ensembles de données bien plus grands qu'un humain ne peut le faire, et ce en quelques millisecondes.
Néanmoins, l'« explicabilité » limitée des modèles d'IA complexes est un problème majeur pour les régulateurs. Le Financial Stability Institute explique que la mesure dans laquelle la sortie d'un modèle d'IA peut être expliquée à un humain est une composante clé de la transparence, de la responsabilité et de la conformité, mais que les modèles complexes peuvent être nébuleux en raison du grand nombre de paramètres et de relations non linéaires impliqués.
Une explicabilité limitée des modèles rend la gestion des risques liés aux modèles difficile et constitue une préoccupation signalée par les régulateurs et les banques centrales. Une gouvernance des modèles solide, une validation indépendante et des tests de résistance sont essentiels.
Service aux membres et engagement
Les chatbots alimentés par l'IA, les assistants virtuels et les moteurs de recommandation personnalisés peuvent relever la norme des interactions avec les membres. Par exemple, grâce à un support 24 heures sur 24, un onboarding automatisé, des projections de retraite sur mesure, des incitations à augmenter les cotisations et une aide pour les membres approchant de la phase de décumulation.
Le potentiel d'amélioration de l'expérience client avec l'IA ne fera que croître, et les jeunes générations sont déjà ouvertes et habituées à de telles interactions, mais dans les services financiers, les consommateurs recherchent encore une approche centrée sur l'humain, et cela sera essentiel au développement de futurs chatbots dans le secteur.
Un autre domaine de risque dans les services hautement automatisés est qu'ils ne doivent pas compromettre l'équité. L'hyper-personnalisation qui affecte les prestations, les prix ou l'éligibilité peut créer des résultats d'exclusion et un risque réputationnel si les membres se sentent traités injustement. La Financial Conduct Authority (FCA) a mis en garde contre les effets d'exclusion de la tarification algorithmique non contrôlée et du profilage en relation, par exemple, avec l'assurance maladie, et que toutes les institutions financières doivent surveiller et atténuer les biais des systèmes de données et d'IA.
Efficacité opérationnelle et qualité des données
Les tâches routinières et laborieuses telles que la réconciliation des données, la rédaction de documents, les rapports réglementaires et le nettoyage des données des membres sont des candidats de premier choix pour l'automatisation. Les premiers adoptants dans le domaine des retraites rapportent des gains de productivité substantiels et des cycles de décision plus rapides, permettant aux administrateurs de se concentrer sur la gouvernance plutôt que sur les correctifs manuels.
L'hyper-personnalisation qui affecte les prestations, les prix ou l'éligibilité peut créer des résultats d'exclusion et un risque réputationnel si les membres se sentent traités injustement.
Au Royaume-Uni, le Pensions Regulator encourage l'amélioration des données et la transformation numérique, reconnaissant le rôle de l'IA dans la mise à l'échelle des améliorations opérationnelles. Il travaille avec des spécialistes du secteur pour faire avancer la manière dont l'industrie peut se prémunir contre une perte de confiance et une technologie fragmentée tout en maximisant l'utilisation responsable de l'IA et en établissant des normes cohérentes pour les données. L'adage « garbage in, garbage out » peut être exacerbé par l'automatisation, des données propres étant un préalable à toute mise en œuvre de l'IA.
En savoir plus sur la transformation numérique dans l'industrie des retraites
Protection des données et conformité réglementaire
Les fournisseurs de retraite traitent des données personnelles et financières hautement sensibles. Dans de nombreuses juridictions, la prise de décision automatisée et le profilage sont strictement réglementés. Par exemple, le UK GDPR et les directives de l'ICO restreignent les décisions purement automatisées qui ont des effets significatifs sur les individus et énoncent des attentes en matière de transparence et de droits des personnes concernées.
Au niveau de l'UE, des superviseurs tels que l'EIOPA émettent des avis sur la gouvernance de l'IA dans l'assurance et les retraites professionnelles. Les fournisseurs doivent cartographier la manière dont l'IA utilise les données personnelles, documenter les bases légales, soutenir les droits à l'explication et intégrer des DPIA (analyses d'impact relatives à la protection des données).
En savoir plus auprès de l'ICO
En savoir plus auprès de l'EIOPA
IA responsable
Chez emagine, nous aidons nos clients sur le marché des retraites à explorer et à adopter les avantages de l'IA de manière maîtrisée en termes de risques. Certains conseils clés que nos consultants partagent pour les fournisseurs de retraite :
- Adopter un cadre de gouvernance fondé sur les risques et traiter les modèles d'IA comme tout modèle financier important, avec des contrôles proportionnés pour les systèmes à fort impact.
- Prioriser la qualité des données. Des ensembles de données propres, documentés et auditables réduisent le risque du modèle et améliorent l'explicabilité.
- Se concentrer sur l'explicabilité et la supervision humaine. Garder des « humains dans la boucle » pour les décisions qui affectent matériellement les membres, combiné à une documentation du modèle qui peut être expliquée aux administrateurs et aux superviseurs.
- Intégrer l'équité et la confidentialité dès la conception. Effectuer des DPIA, tester et être transparent avec les membres concernant les processus automatisés et les droits, avec des options pour escalader vers un « humain ». Dialoguer avec les régulateurs et les organismes du secteur. Suivre le rythme du changement technologique est un défi majeur pour les régulateurs, mais grâce à des groupes de travail et au partage des cas d'utilisation et des environnements de test, l'industrie peut collaborer pour exploiter le potentiel d'innovation de l'IA.
En fin de compte, comme le souligne le Financial Stability Institute, il peut y avoir un besoin de compromis, tant que les risques sont correctement évalués et efficacement gérés.