IA dans la banque : comment l'IA transforme le secteur bancaire

Applications de l'IA dans la banque

Du calcul des réserves de capital à l’évaluation des stratégies marketing, l’analyse statistique éclaire quasiment toutes les décisions d’une banque. De nombreuses parties prenantes — data scientists, analystes, managers, responsables métiers, régulateurs — consultent ces analyses et les rapports associés.

Les prédictions issues de modèles statistiques et d’apprentissage automatique peuvent y jouer un rôle important. Toutefois, les utiliser ainsi ne relève pas à proprement parler de l’IA.

On parle d’IA lorsqu’un modèle permet d’automatiser une décision. Ses prédictions alimentent un système. Ce système applique des règles basées sur la prédiction et d’autres variables pour aboutir à une décision. Nous appelons ces systèmes des « systèmes d’IA ».

L’équipe dont je faisais partie développait principalement ce type de systèmes pour octroyer automatiquement de nouveaux prêts. Le modèle le plus crucial qui les alimente est le modèle de risque de crédit.

Évaluation du risque de crédit

Quand vous demandez un prêt, vous passez une évaluation du risque de crédit. Elle peut inclure le calcul de la perte attendue en cas de défaut ou de la probabilité que vous fassiez défaut — c’est-à-dire que vous ne puissiez pas rembourser le prêt en raison de difficultés financières. C’est généralement cette dernière prédiction qui guide la décision d’octroyer (ou non) le prêt.

Comment nous modélisons le risque de crédit

Bien avant l’informatique, les banques évaluaient déjà le risque de crédit. On utilisait principalement une « carte de score » (credit scorecard).

Comme ci-dessous, elle prend en compte différentes caractéristiques de l’emprunteur potentiel. Vous obtenez un score selon le groupe auquel vous appartenez pour chaque caractéristique, puis ces points sont additionnés pour un score final. Plus le score est élevé, moins le risque de défaut est important.

Exemple de carte de score de crédit (source : auteur)

Autrefois, ces barèmes reposaient surtout sur le « jugement d’expert » : en clair, une personne en costume fixait les valeurs. Et oui, c’était aussi biaisé que cela en a l’air. Désormais, les banques disposent d’immenses volumes de données et de puissance de calcul pour construire des scorecards statistiquement optimales. Comme nous le verrons, cela peut aussi conduire à des résultats plus équitables.

Côté données, la matière ne manque pas. En interne, une banque accède à tout votre historique de transactions et à vos comportements d’endettement passés. En externe, la plupart des pays tiennent des registres publics sur les dettes et défauts passés, tous établissements confondus.

Toutes ces sources servent à créer des variables de modèle. Certaines banques vont jusqu’à utiliser des données d’appareil, comme votre géolocalisation. Mais à ce stade, elles se heurtent à des considérations réglementaires et éthiques.

Le processus de construction de ces scorecards a beaucoup évolué, mais le produit final se ressemble. Les variables sont discrétisées. On utilise le Weight of Evidence (WOE) pour maximiser l’écart des taux de défaut entre groupes. On peut ensuite attribuer un score selon l’impact du groupe sur la probabilité de défaut. Comme auparavant, le score final sert à évaluer le risque de défaut d’un emprunteur.

Comment les scorecards sont utilisées

Ces cartes de score constituent la base d’un système d’IA qui automatise l’octroi des prêts. Dans sa forme la plus simple, il s’agit d’un seuil strict : en deçà, le prêt est refusé.

Des règles complémentaires peuvent refléter la stratégie de la banque, la réglementation ou d’autres variables comme l’âge du client. Comme nous le verrons, des systèmes plus complexes peuvent agréger les prédictions de plusieurs modèles.

En pratique, ces systèmes d’IA servent à octroyer des prêts personnels ou aux petites entreprises. Les montants plus élevés, comme les hypothèques ou les prêts aux entreprises, ne sont pas entièrement automatisés : les cas sont trop spécifiques ou les sommes trop importantes pour se passer d’une décision humaine finale. Souvent, la décision s’appuie tout de même sur une scorecard.

Avec tous les progrès en collecte de données et en automatisation, on pourrait s’attendre à des modèles sophistiqués. Ce n’est pas le cas.

La régression logistique est utilisée pour estimer les probabilités de défaut et construire les scorecards. Nous en expliquons certaines raisons dans la partie défis : interprétabilité, réglementation, équité. Mais la raison principale est que la régression logistique est suffisamment précise.

Le défaut évoqué plus haut survient quand une personne rencontre des difficultés financières liées à de mauvaises décisions ou à des événements extérieurs. L’essentiel est que ces personnes ne souhaitent pas être en défaut. Les relations sous-jacentes qui déterminent le risque de crédit évoluent donc lentement. Nous avons le temps de concevoir des variables linéaires qui capturent ces relations de façon interprétable. D’autres types de défaut, en revanche, sont moins simples.

Détection et prévention de la fraude

En médecine, l’apprentissage automatique prédit des phénomènes complexes, par exemple si une tumeur est bénigne ou maligne. Imaginez maintenant que la tumeur soit consciente et puisse changer d’apparence pour échapper au diagnostic : le problème devient nettement plus ardu. C’est une bonne analogie pour expliquer la difficulté de la détection de fraude.

Il existe de nombreux types de fraude. Dans le contexte de l’octroi automatisé des prêts, on parle de fraude lorsque l’emprunteur n’a jamais eu l’intention de rembourser. Son objectif est d’obtenir les fonds puis de disparaître. Il peut avoir surévalué ses revenus, dissimulé d’autres dettes, voire usurpé une identité. Quelle que soit la méthode, nous qualifierions ce défaut de fraude.

Types de fraude (source : auteur)

Comment nous prédisons la fraude

La nature du défaut lié au risque de crédit permet d’agréger les transactions pour dégager des tendances de comportement. Pour la fraude, chaque transaction peut compter. On examine aussi des sources plus variées, comme les données d’appareil et l’historique des communications.

Autre point : la fraude évolue sans cesse, il faut donc déployer les modèles plus vite. Tout cela rend les modèles linéaires souvent insuffisants.

C’est pourquoi l’on recourt fréquemment à des modèles non linéaires comme Random Forests et XGBoost. Les réseaux de neurones sont utiles pour intégrer des données texte. Avec ces modèles, on mise moins sur le feature engineering, ce qui gagne un temps précieux et permet de modéliser des comportements encore mal compris.

Limite : il s’agit toujours de modèles prédictifs. Nous voulons détecter de nouveaux cas avant qu’ils ne surviennent. Or ces modèles exigent un jeu d’entraînement labellisé — il faut donc d’abord attendre que la fraude se produise !

D’où l’intérêt de méthodes non supervisées comme le clustering ou des modèles à classe unique, par exemple Isolation Forest, pour repérer des comportements atypiques, bref des valeurs aberrantes.

Apprentissage automatique antagoniste

Avec la fraude, il faut aussi craindre des attaquants qui ciblent les modèles eux-mêmes. Les modèles de fraude recouvrent donc un volet majeur de l’IA : l’apprentissage automatique adversarial.

Ce domaine vise à déceler des failles cachées exploitables par des attaquants. On peut tromper un modèle pour lui faire produire de mauvaises prédictions ou divulguer des informations sensibles. Les attaques par empoisonnement injectent de fausses données dans l’entraînement afin de corrompre les modèles à notre insu.

Pour l’automatisation des prêts, la première menace est la plus courante : un fraudeur cherche à ressembler à un bon client, à abaisser son risque perçu, par exemple en gonflant ses revenus ou en mentant dans sa demande. Les modèles anti-fraude servent à couvrir ces angles morts des modèles de risque de crédit, tout en étant eux-mêmes évalués contre des attaques adversariales.

Au final, la diversité et la nature des fraudes imposent souvent des modèles plus complexes. Dans certains cas, ces modèles signalent des suspicions qui seront examinées par un humain.

Côté IA, les modèles de fraude fonctionnent généralement en parallèle des modèles de risque de crédit dans les systèmes d’octroi automatique. Ils se complètent en prédisant des défauts pour des raisons différentes.

La détection de fraude et l’évaluation du risque concernent l’acquisition de nouveaux clients — les bons. Une fois acquis, un autre enjeu survient : comment les fidéliser ? Les deux prochaines sections montrent comment l’IA peut aider.

Attrition client

Les banques utilisent des stratégies similaires, dopées à l’IA, pour prédire si un client risque de partir : fermer son compte, changer d’établissement pour son hypothèque, ou réduire son activité sans partir (supprimer un découvert, annuler une carte de crédit, transférer un gros solde ailleurs).

L’idée est d’intervenir avant que ces événements n’arrivent, en proposant à temps des taux préférentiels, des remises ou des avantages. Une grande partie de ce processus peut être entièrement automatisée.

Les banques prédisent aussi si une personne ou une entreprise risque de manquer des paiements (entrer en arriérés) ou de faire défaut complètement. Là encore, elles cherchent à intervenir en amont : conseil financier, opportunité de restructurer la dette, ou même un simple rappel automatique des échéances peut suffire.

Service client et chatbots

L’automatisation aide aussi quand les clients sollicitent activement la banque : ouvrir un livret, réaliser un virement en ligne, etc. Beaucoup de demandes étant répétitives, un chatbot alimenté par l’IA peut les traiter, répondre plus vite et laisser les cas complexes aux conseillers.

C’est également un domaine où l’IA la plus avancée s’applique. Nombre d’entreprises modernisent leurs bots avec des LLM et de l’IA générative. Ces modèles puissants démultiplient les capacités du chatbot : questions plus complexes, conseil personnalisé. Prudence, toutefois, pour ce dernier point, compte tenu de la forte réglementation du secteur.

Les défis de l'IA dans la banque

Les véritables obstacles de l’IA dans la banque sont rarement techniques. Les problématiques de gestion des données et de développement de modèles sont globalement résolues. Les freins à l’adoption de méthodes d’IA avancées tiennent plutôt au contexte d’exploitation, aux procédures établies et à une aversion très forte au risque.

Réglementation, explicabilité et transparence

Depuis la crise de 2008, disons que la liberté d’action des banques s’est réduite. Elles évoluent dans un cadre réglementaire plus strict, qui fixe leurs réserves de capital, le niveau de risque autorisé et même les technologies déployables. Sur ce dernier point, certains types de modèles ne sont admis que pour certaines tâches : par exemple, les réserves de capital peuvent devoir être calculées avec un modèle linéaire et des variables prédéfinies.

Il faut souvent clarifier et justifier le processus de décision de crédit. Cela implique d’expliquer à un régulateur comment les modèles prédisent. Sans interdire formellement certains modèles, cela crée une inertie. Comme évoqué, c’est une des raisons de l’usage de modèles linéaires pour le risque de crédit : le gain marginal de performance des modèles non linéaires ne compense pas le fardeau explicatif supplémentaire.

Consultez les analyses de Cynthia Rudin sur ce sujet :

D’autres applications se prêtent en revanche à des méthodes plus avancées. Les modèles d’attrition et les chatbots de service client sont généralement moins scrutés par les régulateurs.

Pour la fraude, le gain de performance justifie l’effort d’explication de modèles boîte noire. Vous devrez alors recourir à des méthodes d’IA explicable comme SHAP pour documenter vos modèles — et sans doute expliquer la méthode elle-même.

Pour approfondir SHAP et l’explicabilité, consultez cette introduction aux valeurs SHAP et cet article sur l’IA explicable.

Confidentialité et sécurité des données

Les banques ont accès à des détails intimes de votre vie. Imaginez si quelqu’un obtenait l’historique complet de toutes vos transactions, de tous les commerces fréquentés.

La sécurité doit être exemplaire pour éviter les fuites. C’est aussi l’une des raisons majeures pour lesquelles les banques hésitent à adopter de nouvelles technologies comme les LLM : les utiliser implique souvent d’envoyer des données à un tiers via son API, un risque jugé supérieur aux bénéfices potentiels.

Parallèlement, les banques doivent être attentives à leurs usages des données. La réglementation évoquée jusqu’ici portait sur le risque de crédit. D’autres textes, comme le RGPD, limitent ce qu’elles peuvent collecter et comment l’utiliser.

En outre, l’AI Act européen encadrera les usages de l’IA, avec un impact sur d’autres applications évoquées. Par exemple, il pourrait être interdit d’exploiter vos données de transaction pour vous proposer des produits. Pour en savoir plus, lisez notre article What is the EU AI Act? A Summary Guide for Leaders.

Considérations éthiques

Les décisions prises par des modèles bancaires ont des conséquences lourdes : un refus d’hypothèque, une entreprise privée d’un prêt vital, etc.

Il est crucial que ces décisions soient équitables et non discriminatoires envers un groupe de personnes. Selon les banques, c’est une obligation légale ou une exigence de réputation.

L’automatisation peut réduire les inéquités : en centralisant et en rendant plus transparentes les décisions, on limite les biais humains individuels. Il est donc d’autant plus essentiel que les modèles qui les alimentent soient eux-mêmes équitables. Une approche consiste à mener une analyse d’équité algorithmique, qui évalue les performances selon des variables protégées (genre, origine, pays, etc.).

Autre pratique fréquente : permettre au client de contester une décision automatisée et de demander des explications. Ainsi, au-delà de l’acceptation et du refus automatiques, les systèmes prévoient une troisième option — renvoi à un conseiller — pour revue humaine et correction d’éventuelles inéquités.

C’est une autre raison de préférer des modèles linéaires simples dans bien des cas : intrinsèquement interprétables, donc accessibles à un plus grand nombre pour analyse critique, et les sources de biais potentielles peuvent être décelées avant déploiement.

Résistance au changement

Réglementation, sécurité, éthique : autant d’obstacles à l’IA avancée. Mais le principal frein peut être la banque elle-même.

Les grandes banques établies sont très averses au risque. Elles disposent de méthodes rodées pour bâtir modèles et scorecards, souvent au même format historique.

Toute déviation exige des justifications solides et la conviction de multiples niveaux de gouvernance. En bref, les grandes banques avancent lentement.

C’est pourquoi les start-ups et les fintechs adoptent plus facilement ces méthodes : moins de procédures, moins d’aversion au risque. En contrepartie, elles n’ont ni les capitaux ni les effectifs pour absorber la conformité réglementaire évoquée. Avec le temps, la valeur créée par l’IA avancée pourrait cependant éroder ces avantages des grandes banques.

Le besoin de formation continue

Comme nous l’avons vu, les défis de l’IA dans la banque sont nombreux : conformité réglementaire, interprétabilité des modèles, confidentialité des données, éthique. Ils exigent des équipes finance non seulement une familiarité avec la data science et l’IA, mais une maîtrise responsable et efficace de ces technologies.

Pour naviguer dans ce paysage en évolution, la montée en compétences continue est essentielle. Doter votre équipe finance des dernières connaissances en data science et en IA n’est plus un atout : c’est un prérequis pour rester compétitif. C’est là que des plateformes comme DataCamp for Business apportent une réponse. Avec des ressources complètes en data science, machine learning et IA, DataCamp for Business fournit les outils nécessaires pour exceller dans un environnement basé sur les données. Grâce à des parcours d’apprentissage personnalisés et à des analyses de performance détaillées, vous suivez les progrès et adaptez l’expérience aux objectifs de votre entreprise.

En investissant dans la montée en compétences, vous donnez à vos équipes les moyens d’affronter les défis de l’IA dans la banque, d’adopter des méthodes avancées tout en respectant des exigences éthiques et réglementaires strictes. Demandez une démo dès aujourd’hui pour en savoir plus.

L'avenir de l'IA dans la banque

En nous projetant, il est clair que des méthodes avancées joueront un rôle de premier plan.

L’IA générative est particulièrement importante. Même si son usage en front-office comporte des risques, elle est précieuse pour développer des produits et des modèles destinés aux clients. Elle ne sert pas à prédire le risque de crédit, mais à aider à construire les modèles de risque de crédit — d’autant plus utile étant donné le caractère répétitif des modèles que l’on bâtit en banque.

Beaucoup de banques iront plus loin. Comme toute organisation, elles possèdent une masse de documentation interne : gouvernance, analyses historiques, procédures de modélisation. Des systèmes RAG, dopés aux LLM, transforment ce gisement en base de connaissance interrogeable et en chatbot interne. Imaginez un collègue serviable qui connaît tout de la banque et vous aide à monter en puissance.

Certaines entreprises accepteront même le risque d’utiliser des LLM côté client : par exemple pour automatiser des conseils financiers basés sur les données bancaires. Mais les hallucinations, combinées à la gravité de mauvais conseils, resteront probablement trop risquées pour les acteurs établis — au moins au niveau actuel des LLM.

Conclusion

En tant que data scientist dans la banque, il est vital d’apprendre en continu, mais aussi de réfléchir de façon critique à l’application des nouvelles technologies. Nous avons passé en revue de nombreux cas d’usage : risque de crédit, fraude, attrition client.

Il est important de rester au fait des nouveautés, car des méthodes d’IA avancées peuvent s’appliquer à certains de ces domaines. Mais, très souvent, une solide maîtrise des fondamentaux de la data science et du machine learning compte davantage.

Avec la maturité du secteur, il faudra adopter une vision plus holistique de l’IA. Les compétences en IA responsable deviennent cruciales à mesure que le machine learning est plus scruté et légiféré. Il nous faut savoir interpréter les modèles, garantir leur équité et protéger les données sensibles. Ce sont des défis nouveaux pour les banques, qui exigent d’adapter nos pratiques pour adopter l’IA.

Pour en savoir plus sur l’IA responsable, suivez ce cours sur l’éthique de l’IA.