Les modèles d’intelligence artificielle, et en particulier les techniques d’apprentissage automatique, sont de plus en plus utilisés par les banques pour affiner leurs estimations de probabilité de défaut et détecter des signaux de dégradation du risque de crédit plus tôt que les modèles statistiques traditionnels.
Des données plus riches, des modèles plus complexes
Au-delà des ratios financiers classiques, ces modèles peuvent intégrer des données comportementales, transactionnelles ou même textuelles — actualité économique, communication de l’entreprise — pour construire une image plus fine et plus réactive de la solvabilité d’une contrepartie. Cette richesse de données permet en théorie une détection plus précoce des signaux faibles annonciateurs d’une difficulté financière.
L’exigence d’explicabilité
Ce gain de précision se heurte toutefois à une contrainte propre au secteur bancaire : les modèles utilisés pour des décisions de crédit ou des calculs réglementaires doivent rester explicables auprès des superviseurs. Un modèle d’IA trop opaque, aussi performant soit-il statistiquement, peut être jugé inadapté à un usage réglementaire tant que sa gouvernance et sa capacité à justifier chaque décision ne sont pas démontrées. C’est pourquoi les banques investissent autant dans les techniques d’explicabilité de l’IA que dans la performance brute de leurs modèles.
Mieux mesurer le risque, pour décider plus sereinement
Qu'il s'agisse de CVA, de régulation bancaire, de dérivés ou de stratégie d'investissement, chaque repère compris est un pas de plus vers une gestion du risque plus rigoureuse et plus lisible. Aucun modèle ne remplace le jugement professionnel, mais il permet d'aborder chaque décision avec plus de clarté.
Pour aller plus loin
- Croiser plusieurs sources et méthodologies avant de conclure sur un niveau de risque
- Documenter les hypothèses de chaque modèle, jamais les considérer comme acquises
- Suivre les évolutions réglementaires qui peuvent changer le cadre du jour au lendemain
- Revoir régulièrement ses estimations plutôt que de les figer une fois pour toutes
