Un gestionnaire de portefeuille peut passer des heures à examiner les résultats d'une entreprise, comparer des valorisations, analyser des tendances et décider si une action mérite d'être achetée. Un algorithme peut traiter une quantité considérable de données en quelques instants, sans fatigue ni attachement émotionnel à un titre. L'idée d'automatiser ces décisions n'a rien de nouveau. Les fonds quantitatifs utilisent des modèles statistiques depuis des décennies. Ce qui change en 2026, c'est l'ambition affichée par certains gestionnaires : confier directement à des systèmes d'intelligence artificielle la sélection et l'ajustement des investissements, plutôt que de les utiliser uniquement comme assistants. Le 14 octobre, Reuters a étudié cette nouvelle génération d'ETF américains. Les premiers résultats ont de quoi attirer l'attention. Certains fonds ont nettement dépassé les performances du S&P 500 depuis leur lancement. Pourtant, le capital réellement confié à ces stratégies reste extrêmement limité. L'expérience pose donc une question plus sérieuse que le simple duel entre traders et robots : une bonne performance sur quelques mois suffit-elle à prouver qu'une machine sait mieux investir ?

Moins de six fonds véritablement autonomes sur un marché gigantesque

Le secteur des ETF américains représente près de 17 000 milliards de dollars d'actifs selon les données rapportées par Reuters. À l'intérieur de cet ensemble, moins d'une demi-douzaine de fonds reposent principalement sur une gestion automatisée par IA, depuis l'analyse jusqu'à la sélection des titres. Leur encours cumulé tourne autour de 30 millions de dollars. La différence d'échelle est vertigineuse. Elle montre que les stratégies entièrement pilotées par intelligence artificielle constituent encore un marché expérimental, même si les outils algorithmiques sont déjà largement répandus dans la finance. Un ETF, ou fonds négocié en Bourse, permet d'investir dans un portefeuille de titres au moyen d'un instrument coté. Certains répliquent passivement un indice, tandis que d'autres appliquent des stratégies actives. Les ETF pilotés par IA appartiennent à cette seconde catégorie. Ils cherchent à sélectionner des investissements selon les signaux fournis par leurs modèles. Leur particularité n'est donc pas simplement d'utiliser un ordinateur. Elle tient au degré d'autonomie accordé au système dans les décisions de portefeuille. Cette autonomie reste encadrée. Les sociétés de gestion, conseillers et autres responsables du fonds conservent leurs obligations réglementaires. Dire qu'une IA gère les positions ne signifie pas qu'elle est devenue juridiquement responsable des actifs des investisseurs.

FinQ affiche des gains qui dépassent largement l'indice américain

Parmi les fonds examinés, les deux produits développés par la société israélienne FinQ affichent des résultats particulièrement remarqués. L'entreprise a lancé en février 2026 deux ETF utilisant des classements d'actions produits par un modèle propriétaire. Selon les données publiées par Reuters le 14 octobre, son fonds dollar-neutral consacré aux grandes capitalisations américaines, AINT, avait progressé de 25,35 % depuis sa création. Le fonds AIUP, investi principalement à l'achat dans de grandes entreprises américaines, affichait une hausse de 23,98 %. Sur la période de comparaison indiquée par Reuters, le S&P 500 avait progressé d'environ 11 %. La surperformance apparente est donc importante. Mais il existe une difficulté majeure : ces deux fonds ne poursuivent pas exactement la même stratégie, et leurs risques ne sont pas identiques à ceux d'un investissement passif dans l'indice. Le fonds AIUP sélectionne principalement un groupe restreint d'actions jugées attractives par l'algorithme. AINT adopte une approche plus complexe, associant positions acheteuses et positions vendeuses afin de rechercher des gains liés aux écarts de performance entre entreprises. Comparer directement son rendement à celui du S&P 500 permet de situer un ordre de grandeur, mais ne suffit pas à juger la qualité de sa gestion. Il faudrait également examiner la volatilité, les pertes maximales, le recours éventuel aux instruments dérivés, les coûts et la sensibilité aux mouvements généraux du marché.

Comment une IA sélectionne-t-elle ses actions ?

Les documents réglementaires de FinQ permettent de comprendre une partie du mécanisme. Le système propriétaire classe quotidiennement les grandes entreprises américaines en fonction de leur attractivité relative. Cette analyse repose sur différentes catégories de données financières et de marché, auxquelles peuvent s'ajouter des informations d'actualité ou des indicateurs de sentiment. Pour AIUP, les actions figurant parmi les mieux classées peuvent être intégrées au portefeuille. Le fonds détient généralement un ensemble concentré d'environ 14 à 20 titres. Cette concentration constitue une différence importante avec le S&P 500, qui regroupe plusieurs centaines d'entreprises. Elle peut améliorer le rendement lorsque les sélections sont favorables. Elle peut aussi augmenter les pertes si quelques positions importantes évoluent dans le mauvais sens. AINT utilise lui aussi les classements établis par l'IA, mais construit une exposition associant achats et ventes à découvert. Le principe d'une stratégie dollar-neutral consiste à rechercher un équilibre approximatif entre la valeur des positions acheteuses et vendeuses. Le fonds tente ainsi de profiter des différences de performance entre les entreprises plutôt que de dépendre uniquement d'une hausse générale du marché. Cette neutralité recherchée ne supprime pas le risque. Les positions peuvent évoluer dans des directions défavorables, la corrélation entre titres peut changer et les ventes à découvert introduisent des contraintes particulières. L'algorithme détermine des classements et influence les ajustements, mais son fonctionnement s'inscrit dans des règles d'investissement et de gestion définies à l'avance.

Un troisième modèle veut proposer une alternative à la gestion traditionnelle

Le fonds High Conviction US Equity AI-Managed ETF illustre une autre approche. Lancé le 21 août 2026 par Ai Funds, il s'appuie sur un algorithme propriétaire entraîné à analyser plusieurs décennies d'informations de marché. Son fondateur, Tal Schwartz, défend l'idée d'une troisième forme d'investissement. La gestion passive consiste à suivre un indice. La gestion active traditionnelle repose sur les décisions d'un professionnel. Lui souhaite proposer une gestion active dans laquelle le système d'IA prend directement les décisions de sélection. Selon les chiffres recueillis par Reuters, le fonds avait progressé de 2,7 % depuis son lancement, contre 1,1 % pour le S&P 500 sur la même période. Cette avance reste modeste en valeur absolue et repose sur un historique très court. Le fonds avait attiré moins de 20 millions de dollars d'actifs au moment de l'enquête. Son succès commercial demeure donc à construire. Pour convaincre les investisseurs, il devra démontrer que les avantages revendiqués ne disparaissent pas lorsque les conditions boursières deviennent moins favorables.

Pacer et Pictet montrent que toutes les IA financières ne se ressemblent pas

Les autres fonds cités dans l'enquête illustrent la diversité des approches. Les ETF Pacer S&P 500 3AI Top 100 et Pacer S&P World 3AI Top 100 ont progressé respectivement de 10,34 % et 10,33 % depuis leur lancement début mai, contre une hausse de 5,8 % du S&P 500 sur la période comparée. Mais une partie importante du secteur préfère laisser l'intelligence artificielle assister les gestionnaires humains. C'est le cas du Pictet AI Enhanced US Equity ETF. Lancé en février, ce produit affichait, selon Reuters, une progression de 14,8 %, contre 11,4 % pour le S&P 500 sur la période retenue. Il avait attiré environ 163 millions de dollars d'actifs, soit davantage que l'ensemble du petit segment identifié comme entièrement autonome dans l'enquête. Cette comparaison donne un indice intéressant sur les préférences des investisseurs. Ils semblent, pour le moment, plus disposés à accepter une intelligence artificielle qui améliore les analyses qu'une machine à laquelle les choix d'investissement seraient largement délégués. Les résultats de Pictet ne démontrent pas que la supervision humaine produit nécessairement de meilleurs rendements. Ils montrent surtout qu'un modèle hybride dispose déjà d'un marché commercial plus développé.

Les gestionnaires veulent utiliser l'IA, mais pas lui abandonner les commandes

Une enquête Mercer citée par Reuters indique que 91 % des gestionnaires d'actifs interrogés prévoyaient d'accroître leur utilisation d'outils d'intelligence artificielle pour la gestion de portefeuille en 2026. Le chiffre suggère une adoption très large des technologies concernées. Il ne signifie pas que 91 % des investissements sont désormais sélectionnés automatiquement par des modèles. Dans de nombreuses sociétés, l'IA est d'abord utilisée pour accélérer le traitement de documents, analyser des entreprises, rechercher des signaux statistiques ou surveiller les risques. Ces applications peuvent améliorer la productivité d'une équipe sans supprimer son pouvoir de décision. David Wright, responsable des investissements quantitatifs chez Pictet Asset Management, rapproche cette utilisation du pilotage automatique dans l'aviation. L'automatisation peut accomplir un grand nombre d'opérations, mais la supervision humaine reste utile lorsque les conditions deviennent imprévues. Cette analogie n'est pas une preuve technique de supériorité de la gestion hybride. Elle résume toutefois l'attitude actuelle de plusieurs professionnels : profiter de la vitesse des algorithmes sans renoncer à la capacité d'intervenir.

Quelques mois de performances ne prouvent presque rien sur le long terme

Le problème le plus évident de ces fonds est leur jeunesse. Les produits FinQ ont été lancés en février. Le fonds Ai Funds existe depuis août. Plusieurs autres véhicules datent du printemps. Ces historiques sont trop courts pour traverser différents régimes de marché. Un modèle peut produire d'excellents résultats pendant une période favorable à ses critères de sélection et perdre ensuite une part importante de son avantage. Un système privilégiant certaines caractéristiques d'entreprises peut également profiter d'une tendance sectorielle sans disposer d'une capacité durable à identifier les meilleurs investissements. Pour analyser sérieusement une stratégie active, il faut examiner plusieurs dimensions. La première est évidemment le rendement net, une fois les frais pris en compte. La deuxième concerne le risque supporté pour obtenir ce résultat. Deux fonds affichant un gain identique ne sont pas équivalents si l'un a subi des pertes temporaires très importantes et l'autre une évolution plus régulière. La troisième concerne la stabilité de la méthode. Un modèle capable de bien sélectionner des titres dans un marché haussier saura-t-il limiter ses pertes pendant une crise financière ? Les résultats publiés en octobre 2026 ne permettent pas encore de répondre.

Le risque de surapprentissage reste particulièrement délicat

Les systèmes d'intelligence artificielle apprennent à partir de données historiques. Dans la finance, ces données comprennent notamment les prix, les volumes, les résultats d'entreprises et divers indicateurs économiques. Mais un modèle peut découvrir des relations statistiques qui n'ont aucune valeur prédictive durable. Ce phénomène, appelé surapprentissage, apparaît lorsqu'un système s'adapte trop précisément aux particularités des données utilisées pendant son développement. Une stratégie peut alors afficher des performances impressionnantes sur les périodes historiques étudiées sans reproduire ces résultats sur de nouvelles données. L'existence de tests rétrospectifs solides ne suffit donc pas. Les gestionnaires doivent examiner les performances en conditions réelles, après frais, et sur des périodes qui n'ont pas servi à concevoir ou ajuster la stratégie. La question est particulièrement difficile lorsque les algorithmes propriétaires ne sont pas entièrement transparents. Un investisseur peut connaître les règles générales d'un fonds sans disposer des informations permettant de reproduire chaque classement de titres. Cette situation n'est pas propre à l'IA. De nombreux fonds quantitatifs traditionnels utilisent déjà des modèles propriétaires. Mais l'utilisation de systèmes adaptatifs peut accroître la difficulté de comprendre pourquoi une décision a été prise à un moment précis.

Les frais peuvent effacer une partie de l'avantage

Les ETF passifs ont rendu populaire l'investissement à faibles coûts. Un fonds suivant un grand indice n'a pas besoin de multiplier les analyses pour sélectionner régulièrement de nouvelles entreprises. Les produits actifs pilotés par IA supportent une structure différente. Ils financent le développement et l'exploitation de leurs modèles, les dispositifs de contrôle et les opérations nécessaires aux ajustements du portefeuille. Les documents officiels de FinQ indiquent notamment des frais annuels de fonctionnement de 0,75 % pour AIUP. À titre de comparaison, certains grands ETF passifs américains appliquent des frais annuels nettement inférieurs. Les différences de coût deviennent significatives lorsque les performances des stratégies convergent. Un fonds qui surperforme de plusieurs points pendant quelques mois peut justifier l'attention des investisseurs. Mais s'il ne parvient plus à produire un avantage suffisant sur la durée, des frais élevés réduiront mécaniquement son attractivité. Les stratégies comportant des positions vendeuses peuvent également subir d'autres coûts, notamment liés aux emprunts de titres et aux transactions. Le rendement réellement perçu dépend donc des caractéristiques complètes du produit et de la manière dont il est négocié.

Les marchés paniquent parfois pour de bonnes raisons

Les promoteurs de la gestion automatisée mettent régulièrement en avant l'absence d'émotions. Un algorithme ne ressent pas la peur, ne devient pas euphorique après plusieurs gains et ne conserve pas une position simplement parce qu'il refuse d'admettre une erreur. Ces caractéristiques peuvent constituer des avantages. Mais supprimer les émotions humaines ne supprime pas les risques de modèle. Un système peut appliquer avec une grande discipline une stratégie qui ne fonctionne plus. Il peut également réagir à des données incomplètes, mal interpréter une rupture de tendance ou amplifier un signal statistique devenu trompeur. Dan Taylor, responsable adjoint des investissements systématiques chez Man Group, souligne auprès de Reuters sa préoccupation concernant les événements extrêmes et peu probables. C'est précisément dans ces situations que les données historiques peuvent fournir le moins de repères. Les crises financières, les changements de politique monétaire ou les événements géopolitiques peuvent modifier rapidement les relations habituelles entre actifs. Un modèle qui reproduit efficacement des schémas historiques n'est pas nécessairement préparé à leur disparition. Et plusieurs modèles entraînés sur des informations similaires pourraient prendre des décisions proches au même moment, créant potentiellement des mouvements de marché amplifiés. Ce dernier risque constitue un scénario possible, pas un comportement démontré pour les petits ETF étudiés par Reuters.

La question réglementaire ne disparaît pas avec le gestionnaire humain

L'automatisation des décisions de portefeuille ne transforme pas les fonds en véhicules échappant à toute responsabilité institutionnelle. Les ETF américains restent soumis aux obligations applicables à leurs sociétés de gestion et aux différents intervenants réglementés. Les documents déposés auprès de la Securities and Exchange Commission identifient notamment les conseillers, sous-conseillers et responsables des produits. Dans le cas des fonds FinQ, Tidal Investments intervient comme conseiller en investissement et FINQ AI comme sous-conseiller chargé de la stratégie. Les règles de portefeuille, les limites d'exposition et les obligations de conformité subsistent. Le système d'IA ne devient pas une personne morale chargée de répondre devant les autorités en cas de problème. Cette organisation constitue une différence fondamentale entre autonomie opérationnelle et autonomie juridique. Les décisions peuvent être produites par un modèle, mais leur mise en œuvre doit respecter des contraintes fixées par les responsables du fonds. L'enjeu pour les régulateurs et les investisseurs sera notamment de déterminer si ces dispositifs permettent de détecter rapidement une anomalie de fonctionnement ou une exposition non souhaitée.

Les premières victoires boursières ne suffisent pas à convaincre

L'enquête de Reuters montre finalement un marché partagé entre curiosité et prudence. Les premières performances de certains fonds entièrement pilotés par IA sont réelles dans les périodes mesurées et méritent d'être suivies. Mais leur faiblesse commerciale est tout aussi réelle : environ 30 millions de dollars d'actifs pour un secteur représentant des milliers de milliards. Les investisseurs ne manquent pas nécessairement d'intérêt pour l'intelligence artificielle. Ils hésitent surtout à déléguer complètement une décision qui engage leur patrimoine à des systèmes dont la fiabilité à long terme reste à démontrer. L'adoption pourrait donc se poursuivre d'abord par des outils hybrides : les algorithmes analysent, comparent et suggèrent, tandis que les professionnels conservent la responsabilité des décisions et des risques. Cette organisation n'est pas forcément définitive. Si les fonds autonomes accumulent plusieurs années de résultats solides, y compris pendant les marchés baissiers, leur crédibilité pourrait progresser. Mais le critère décisif ne sera pas le nombre d'actions analysées par seconde ni la sophistication annoncée du modèle. Il sera beaucoup plus simple : obtenir des performances compétitives, après frais, avec des risques maîtrisés et reproductibles. Pour l'instant, l'IA a montré qu'elle pouvait gagner certaines courses. Elle n'a pas encore démontré qu'elle savait traverser toutes les saisons boursières.