Dans un monde du crédit où la compétition est exacerbée et les pressions sur les marges de plus en plus fortes, les méthodes traditionnellement mises en œuvre montrent leurs limites. Toute la chaîne de traitement de l’octroi de crédit doit se transformer, profondément et rapidement, au travers de l’IA.
Le défi capacitaire est immense dans le monde du crédit. Aux obligations de performance, s’ajoute la pression des autorités sur les organismes de crédit, devenus des acteurs clés de la relance économique. Le chapitre de la lutte contre la délinquance financière est également devenu crucial. Les établissements financiers ne peuvent plus se contenter d’intégrer ce risque dans leurs marges. Il leur faut l’adresser directement, en particulier lorsqu’il s’agit de lutter contre le financement du terrorisme. Seule l’intelligence artificielle (IA) permet de répondre à ces problématiques à des coûts raisonnables.
Le défi du passage à la production
Selon les résultats d’une étude menée par Gartner, un modèle de machine learning sur deux ne passera jamais en production. Et 90 % de ceux qui franchissent ce cap sont déployés sous 3 mois ou plus, et s’avèrent donc obsolètes ou en passe de l’être au moment de leur mise en production effective. Certains projets peuvent même mettre 12 à 18 mois à se concrétiser ! Bref, les modèles prennent trop de temps à entrer en production du fait de cycles de développement trop longs.
Pour résoudre cette problématique, il faut opter pour une approche industrielle de création, déploiement, supervision et (ré)entraînement des modèles de machine learning. L’enjeu humain ne doit pas être négligé : casser les silos et faire communiquer les équipes entre elles est primordial. Libéré de certaines tâches, le conseiller devra également être accompagné dans sa montée en compétences.
L’autre défi est de savoir intégrer l’IA tout le long de la chaîne de valeur du crédit : ciblage, recouvrement, modélisation, souscription… Ceci doit toutefois se faire en sécurisant les outils existants, l’IA devant s’inscrire dans la continuité du patrimoine applicatif déjà en place. L’inclusion de technologies intelligentes tout au long d’un parcours client 100 % numérique a permis aux acteurs du secteur d’augmenter de 20 % leur taux de transformation, de réduire les coûts de 20 à 33 %, de réduire le taux de crédits non performants de 10 à 46 % et – globalement – de mieux s’aligner avec leurs objectifs métiers et leurs contraintes en matière de risques.
Autre cas d’usage, la détection et les investigations menées autour des crimes financiers : fraude, blanchiment d’argent (AML), financement du terrorisme. L’IA peut automatiser la détection de ces cas, aider à documenter les investigations et assurer le signalement de ces crimes aux autorités. Des premières utilisations grandeur nature ont fait apparaître un taux de conversion des rapports d’activité suspecte multiplié par un facteur allant de 3 à 5, tout en réduisant les faux positifs de 35 à 50 % et les alertes de moitié. L’automatisation a permis également de gagner 25 % en efficacité opérationnelle.
Non seulement l’IA est un atout pour détecter et traiter la criminalité financière, mais elle devient quasiment nécessaire. Le DSP2 permet en effet de partager des historiques de comptes entre organismes financiers, ce qui se traduit par un accroissement inédit du volume de données à traiter. À terme, il faudra être capable d’intégrer ces données et d’en industrialiser l’analyse.
IA : des bénéfices… et des limites
L’intelligence artificielle peut aussi devenir un facteur d’inclusion financière. Le credit scoring classique, qui s’appuie essentiellement sur des données d’historique de crédit, atteint ses limites avec certaines catégories de public, par exemple les jeunes actifs. L’exploitation de données alternatives peut appuyer le dossier d’octroi de crédit d’un jeune client. L’étude comportementale offre la possibilité de mieux cibler le risque. Et comme elle n’est pas statique, elle permet de réévaluer la situation au fil du temps, ce qui permettra de réduire les risques sur le long terme.
La data et l’IA participent à répondre à trois questions clés : que puis-je savoir du client, dois-je lui accorder un prêt et que m’est-il permis d’espérer en matière de remboursement. Attention toutefois à ce que l’intelligence artificielle ne devienne pas la source de nouveaux biais et de nouvelles discriminations. La qualité des modèles déployés et des données sur lesquelles ils s’appuient est donc essentielle pour assurer la neutralité de l’IA. Tout comme la capacité à expliquer les décisions suggérées par la machine, à assurer la supervision, la traçabilité et l’audit de ces processus. L’IA ne doit en effet pas devenir une nouvelle boite noire. N’oublions pas que, in fine, c’est le regard humain du conseiller qui fera la différence dans le processus de décision.
L’automatisation des processus est vue comme une réponse aux chocs économiques ou sanitaires, comme la crise du Coronavirus. Mais cela n’est pas forcément vrai dans le cadre de l’octroi de crédit. Si le numérique a pu en effet aider à traiter la masse de demandes de crédits, les modèles d’intelligence artificielle déployés n’étaient pas préparés à l’arrivée des prêts garantis par l’État, dont les conditions d’octroi sont différentes de celles des prêts classiques. Dans le cadre de cette procédure spécifique, l’IA n’apporte pas de plus-value, du moins pas sans définition d’un nouveau modèle.
Derrière l’usage de l’IA, il y a donc à chaque fois des questions à se poser. Il n’en reste pas moins que l’intelligence artificielle demeure un atout pour les organismes de crédit. Et beaucoup l’ont compris : plus de 30 % des projets intègrent de l’IA de façon très structurante. Et l’IA est présente dans 50 % des projets au sens large.
SAS, partenaire des acteurs du secteur bancaire
L’étude Accenture « AI: Built to Scale » dévoile que 85 % des dirigeants français estiment que leur entreprise pourrait disparaître d’ici 2025, si l’IA n’est pas déployée avec succès dans leur organisation. Plus qu’une transformation, il s’agirait donc pour certains d’une question de survie.
Présent dans plus de 50 pays et partenaire des organismes financiers depuis plus de 40 ans, SAS est un acteur majeur de l’analytique, avec des plates-formes puissantes d’intelligence artificielle et de data science. SAS aide les acteurs du crédit à se transformer, au travers de la plate-forme Credit Intelligent Decisioning, qui répond à trois enjeux :
- Mettre les équipes métier au cœur du dispositif d’intelligence augmentée, en cassant les silos et en favorisant la collaboration ;
- Réduire les délais de mise en œuvre des modèles et le temps de traitement de la donnée, en industrialisant l’ensemble de la chaîne ;
- Améliorer la supervision et la gouvernance du processus d’octroi de crédit, avec un entraînement continu des modèles d’IA.
« Nous sommes au cœur du réacteur, explique Arnaud Charensol. Nous accompagnons les entreprises dans l’évolution de leur patrimoine applicatif, qui a atteint ses limites, en l’enrichissant de technologies d’intelligence artificielle et d’apprentissage machine, dans le respect du risque et de la réglementation. »
En savoir plus - Le risque bancaire à l'ère du COVID : Scenario impact simulator.
