Morningstar repense l’analytique en proposant des agents qui exécutent des tâches précises à forte valeur ajoutée, plutôt que des tableaux de bord ou des flux de données. Ce changement est opérationnel : il réduit les transferts entre les équipes de recherche, de produits et de distribution en présentant les réponses dans le contexte d’une décision (par exemple : « Ce produit trouvera-t-il sa place dans le portefeuille modèle de l’entreprise ? »). Pour les entreprises, le résultat est simple : les idées se transforment plus vite en analyses prêtes à être présentées en comité. Cela suppose toutefois de mettre en place de nouveaux processus internes pour valider la logique des agents et intégrer leurs résultats aux dispositifs de gouvernance existants.

Les trois premiers agents ciblent des processus essentiels pour les fournisseurs. L’agent de développement de produits croise les données de flux et l’analyse des catégories pour repérer les segments insuffisamment couverts et comparer les délais de montée en puissance. L’agent de distribution porte sur le placement, l’adéquation aux portefeuilles modèles et les arguments commerciaux. L’agent d’analyse des sociétés de gestion reprend les méthodes de travail des analystes en faisant ressortir les changements de comportement de négociation et les facteurs de performance propres à chaque contexte de marché. La valeur de chaque agent vient de l’association des classifications et des notations de Morningstar à des résultats directement exploitables — par exemple, des recommandations de positionnement produit ou des arguments prêts à être présentés en comité — plutôt qu’à de simples tableaux de chiffres.

Dans les processus réglementés, la provenance des données et les pistes d’audit sont incontournables. Les acheteurs devraient exiger des traces de raisonnement exportables, des horodatages des actualisations des jeux de données et des contrôles d’accès aux résultats des agents fondés sur les rôles. Il est tout aussi important de prévoir des protocoles de test qui comparent les recommandations des agents aux résultats historiques et aux conclusions des analystes humains. Sans ces contrôles, les entreprises risquent de déléguer la justification de leurs décisions à des assistants opaques ; avec eux, les agents deviennent des outils qui renforcent les travaux de recherche institutionnels tout en les rendant plus défendables.

Les plateformes d’agents spécialisés impliquent d’autres arbitrages commerciaux : prix plus élevés pour une logique propriétaire, conditions de licence potentiellement plus strictes et coûts d’intégration pour incorporer les agents aux systèmes CRM, aux outils de gestion de portefeuille ou aux plateformes de diligence existants. Les entreprises doivent mettre en balance des processus plus rapides et plus défendables avec les risques de dépendance à un fournisseur et la charge liée à la validation des critères de décision de l’agent. Les équipes des achats devraient structurer les projets pilotes de façon à mesurer les gains de temps en aval, la réduction du travail manuel et l’effet sur la qualité des décisions des comités.

Les agents spécialisés sont particulièrement efficaces pour les tâches répétitives et riches en données qui reposent sur des indicateurs propriétaires. Ils sont moins adaptés à la recherche exploratoire, aux synthèses interdisciplinaires qui dépassent le périmètre des données du fournisseur ou aux situations où les équipes ont besoin de modèles personnalisables et transparents, hébergés en interne. Les entreprises qui privilégient un contrôle local complet peuvent préférer des architectures ouvertes ou des agents développés en interne à partir de jeux de données sous licence. La solution la plus pragmatique est hybride : utiliser des agents spécialisés pour les processus à fort volume où la défendabilité est essentielle, et des assistants génériques pour l’idéation et la recherche au sens large.