Le crédit, premier terrain d’automatisation

Une chaîne du crédit qui se réorganise

Collecter les états financiers, les retraiter, les résumer, rédiger la note, la faire circuler, suivre le dossier après décaissement : l’instruction d’un crédit est une suite de tâches documentaires. C’est précisément le terrain où l’IA générative excelle. McKinsey observe que des systèmes multi-agents chargés de préparer la note de crédit apportent 20 à 60 % de productivité à l’analyste et accélèrent la décision d’environ 30 %¹. Dans l’instruction des crédits aux PME, les agents orchestrent la collecte et la synthèse ; l’analyste valide et consacre son temps à la rencontre avec le client¹.

Le mouvement ne se limite pas aux entreprises. Le BCG relève des gains de productivité supérieurs à 50 % dans le crédit aux particuliers grâce à l’IA agentique³. Et les directions informatiques s’y préparent : selon Accenture, 56 % des DSI bancaires interrogés s’attendent à une adoption large des agents en analyse de crédit d’ici trois ans⁴.

La surveillance des engagements suit la même logique. Les alertes précoces, alimentées en continu, permettent de repérer plus tôt une dégradation et de concentrer l’attention des équipes sur les dossiers qui en ont besoin, plutôt que sur une revue annuelle uniforme. Pris ensemble, ces outils ne remplacent pas une étape du processus : ils déplacent l’effort de l’analyste de la production du dossier vers sa vérification et sa défense en comité.

Beaucoup d’intentions, peu de production

Les chiffres de productivité décrivent ce que l’on obtient une fois le système en place. Ils ne disent pas combien d’établissements y sont parvenus. L’enquête menée par McKinsey avec l’IACPM auprès de 44 établissements apporte cette mesure : 52 % font de l’IA générative une priorité, 27 % testent en pilote la synthèse d’informations pour la décision de crédit, mais aucun ne l’a encore déployée en pleine production². Plus de deux sur cinq ont même ralenti certains projets, faute de résultats suffisants².

La raison principale tient à l’exigence du métier. Une note de crédit engage la banque ; une erreur de chiffre ou une information inventée peut fausser une décision. Quand une précision proche de 100 % est attendue, les hallucinations deviennent un obstacle majeur, au même titre que les biais, le défaut de validation des modèles et la latence². Le passage à l’échelle suppose donc un cadre de validation propre à l’IA générative, distinct de celui des modèles de notation classiques.

Les établissements qui progressent ne sont pas ceux qui testent le plus d’outils, mais ceux qui définissent d’emblée où l’humain contrôle, sur quels critères et avec quelle traçabilité. Autrement dit, le sujet est moins technologique qu’organisationnel.

L’analyste, de rédacteur à juge

Si la machine produit le premier jet, que reste-t-il à l’analyste ? L’essentiel. Le jugement de crédit ne se délègue pas : apprécier la qualité d’un management, la solidité d’un plan de financement ou la crédibilité d’une garantie demande une expérience que la synthèse documentaire ne remplace pas. Ce qui change, c’est la répartition du temps : moins de saisie et de mise en forme, davantage d’analyse, d’échanges avec le client et de contradiction.

Trois compétences prennent de la valeur. La première est le contrôle des sorties de l’IA : vérifier les chiffres repris, repérer une information inventée, refuser une conclusion mal étayée. La deuxième est l’explicabilité : savoir justifier une décision devant un comité, un client ou un superviseur, y compris lorsqu’un modèle y a contribué. La troisième est la connaissance réglementaire, devenue indispensable dès lors que certains usages sont encadrés.

Pour les responsables d’équipe, l’enjeu est d’organiser ce déplacement. Un analyste qui gagne plusieurs heures par dossier peut instruire davantage, ou instruire mieux ; ce choix doit être fait en amont, sous peine de voir le gain se dissoudre.

L’IA rédige la note ; l’analyste reste celui qui signe, et qui doit pouvoir expliquer pourquoi.Notre lecture

Le scoring des particuliers, un usage à haut risque

Le règlement européen sur l’intelligence artificielle classe l’évaluation de la solvabilité et le scoring de crédit des personnes physiques parmi les systèmes « à haut risque », la détection de fraude étant exclue de cette catégorie⁵. Ce classement impose une gestion des risques, une gouvernance des données, une journalisation, de la transparence et un contrôle humain effectif⁵. Le texte concerne directement les banques marocaines et africaines présentes dans l’Union européenne ou qui servent des clients européens.

Le calendrier a été modifié. Le Conseil de l’UE a adopté le 29 juin 2026 un report : les règles sur les systèmes à haut risque autonomes s’appliqueront à partir du 2 décembre 2027, et à partir du 2 août 2028 pour l’IA intégrée à des produits⁶. L’obligation de maîtrise de l’IA par le personnel, elle, s’applique depuis le 2 février 2025⁵.

Ce délai n’est pas un répit. Selon Accenture, 42 % des dirigeants bancaires estiment déjà que l’IA générative avance plus vite que leurs cadres de risque et de conformité⁴. Documenter un modèle, organiser sa validation et former ceux qui l’utilisent prend du temps ; les établissements qui attendront l’échéance pour s’y mettre la manqueront.

Ce que cela change pour vous

Nos recommandations

1. Commencer par la préparation de la note de crédit, où les gains sont les mieux documentés, avant d’étendre l’IA aux autres étapes.
2. Fixer dès le pilote les critères qui permettront de passer en production, pour éviter l’accumulation d’essais sans suite.
3. Imposer une vérification humaine des chiffres et des sources repris par l’IA dans chaque note.
4. Former les analystes au contrôle des sorties de l’IA et à l’explication des décisions, conformément à l’obligation de maîtrise de l’IA⁵.
5. Cartographier dès maintenant les modèles de scoring des particuliers et leur niveau de documentation, en vue de l’échéance de 2027⁶.