Risque de crédit et IA: le rapport du rapport Forrester-Experian 2025

La gestion des risques de crédit est un point nerveux pour la stabilité du secteur financier et pour l'accès aux services par les familles et les entreprises. Ces dernières années, l'utilisation de l'intelligence artificielle a profondément changé la façon dont les banques et les institutions évaluent les clients et les entreprises, passant l'attention des tableaux de bord traditionnels aux modèles prédictifs dynamiques.

L'apprentissage automatique et l'IA générative (Genai) sont aujourd'hui comme des outils décisifs pour combiner l'inclusion financière, l'automatisation et l'efficacité. Dans un contexte de volatilité économique et de forte pression réglementaire, la capacité d'améliorer la précision des évaluations, de réduire le défaut et d'accélérer les processus devient un facteur concurrentiel essentiel.

Le rapport Forrester-Experian: méthodologie et objectifs

Pour photographier l'état de l'art, Experian a commandé à Forrester consultant une enquête menée en juillet 2025 qui a impliqué 1 195 décideurs de décision dans onze pays, entre l'Europe, l'Asie et l'Afrique. L'échantillon comprend 110 gestionnaires italiens actifs dans les secteurs financiers et de télécommunications.

L'objectif du rapport est de comprendre comment le ML produit déjà des résultats concrètes, quelles sont les priorités d'investissement dans les années à venir et dans quelle mesure les technologies émergentes, telles que Genai et les environnements de bacs de sable analytique, peuvent rendre le développement de modèles prédictifs plus rapides et efficaces. L'enquête met en évidence un grand écart entre les entreprises qui ont adopté ces technologies, déjà en mesure de mesurer les avantages concrètes, et ceux qui restent ancrés aux méthodes traditionnelles, freinant des coûts, une mauvaise confiance et des infrastructures obsolètes.

Principaux avantages de l'apprentissage automatique

Selon la recherche, les avantages les plus cités par les entreprises qui utilisent déjà la ML sont l'efficacité opérationnelle et la réduction des coûts (70%) et une plus grande précision dans les prévisions de risque (70%). Les deux avantages découlent de la possibilité d'automatiser un nombre croissant de décisions de crédit: 67% des personnes interrogées confirment qu'elles ont augmenté le niveau d'automatisation.

En regardant vers l'avenir, près de 80% prédisent que dans les cinq ans, la plupart des décisions de crédit seront entièrement automatisées. En plus des avantages économiques, le ML offre également des avantages en termes d'expérience client (61%), de capitaux propres d'accès au crédit (54%) et de réduction du biais humain.

Sans surprise, 70% des sociétés déjà actives déclarent qu'elles souhaitent augmenter considérablement les investissements dans la ML au cours des trois prochaines années.

Les défis à surmonter pour une adoption complète

La mise en œuvre du ML n'est pas sans obstacles. La difficulté la plus citée concerne le temps et les ressources nécessaires pour développer de nouveaux modèles, suivis de la complexité de la transformation des données brutes en attributs de crédit. La carence des compétences internes représente un autre frein: 50% des entreprises admettent qu'ils n'ont pas de personnel adéquat pour gérer et gouverner les modèles.

Les préoccupations s'étendent également à l'explication des modèles et à la conformité réglementaire. 64% des non-adoptants disent qu'ils craignent la mauvaise transparence des algorithmes, tandis que 58% signalent un manque de confiance dans les résultats. Enfin, les infrastructures informatiques obsolètes et la qualité insuffisante des données (indiquée par 59% et 56% respectivement) ralentissent encore l'adoption.

Les principaux cas d'utilisation du ML en risque de crédit

Le ML est appliqué dans un large éventail de cas d'utilisation. Parmi les modèles de probabilité les plus populaires, les modèles de probabilité par défaut (74%), la segmentation du risque du client (68%) et la segmentation du comportement des consommateurs (66%).

Suivez l'automatisation des décisions de prêt (61%), la définition des taux d'intérêt basés sur les risques (61%) et l'évaluation de la efficacité du crédit (59%).

Dans de nombreux cas, les implémentations ont déjà lieu en mode live, avec ou sans supervision humaine. Environ un tiers des sociétés maintiennent des approches encore expérimentales, mais la direction semble claire: une automatisation progressive et une utilisation de plus en plus étendue de données alternatives pour affiner les évaluations.

Parce que certaines entreprises n'ont pas encore adopté le ML

Malgré les avantages documentés, une partie des organisations continue de ne pas mettre en œuvre le ML. Les principales raisons sont les coûts perçus comme supérieurs aux avantages (66%) et à la faible compréhension de la valeur du ML (59%). D'autres raisons incluent la conviction que les tableaux de bord traditionnels sont toujours adéquats (64%) et l'approche conservatrice des nouvelles technologies.

Cette prudence observe le rapport, les risques se transforment en une erreur stratégique. Attendre que le changement devienne obligé de y faire face dans des conditions de faiblesse, avec moins de ressources et moins de marges d'adaptation.

Analyt Sandbox: Accélérateurs pour les modèles prédictifs

Les environnements analytiques de bac à sable sont confirmés des outils cruciaux pour surmonter les goulots d'étranglement dans le développement des modèles. Ils permettent d'harmoniser les données de différentes sources et de réduire les temps de préparation, l'un des aspects les plus complexes de la production de modèles. 72% des entreprises qui les utilisent signalent une amélioration de la collaboration entre les équipes de science des données, le risque et la conformité.

En outre, 76% estiment que le bac à sable permettent des cycles de développement et de déploiement plus rapides, un avantage concurrentiel fondamental dans les contextes d'une forte incertitude économique. Les applications sont multiples: de l'analyse vintage à Rejeter l'inférencejusqu'à l'élaboration de modèles personnalisés et conforme aux normes réglementaires telles que Bâle ou IFRS9.

Genai comme un allié de productivité dans le risque de crédit

L'IA générative n'est pas utilisée pour les évaluations des risques directes, car ses modèles restent souvent opaques. Cependant, il apparaît comme un outil de support essentiel pour les équipes de science des données. Près des trois quarts des personnes interrogées (73%) estiment qu'un assistant Genai formé sur les données de crédit pourrait améliorer la productivité, tandis que 70% met en évidence le potentiel de génération de code et 67% dans la réduction des temps de documentation réglementaire.

Un exemple est l'assistant Experian, lancé en 2024: une plate-forme en langage naturel qui vous permet d'explorer les données, de développer et de valider des modèles et de produire de la documentation en parallèle avec le processus de modélisation. Cette approche rend la validation plus rapide et plus transparente, tout en augmentant la confiance dans les modèles.

Vers un avenir plus inclusif et compétitif

Le cadre décrit par le rapport est clair: le ML est déjà un facteur décisif pour améliorer les prêts, la réduction de la défaut et l'inclusion financière. Dans les années à venir, la combinaison de ML, Sandbox et Genai sera en mesure d'accélérer encore la transition vers un crédit plus juste, rapide et efficace.

Le véritable défi pour les organisations qui n'ont pas encore pris cette voie consisteront à combler le retard accumulé. Les rapports du rapport montrent que l'adoption de ces technologies n'est pas seulement une question d'efficacité, mais une condition préalable pour garantir la compétitivité et la résilience à long terme.