Fintech Actualités
Pourquoi les modèles de prêt IA ont besoin de plus que des scores de crédit précis
Ajouter Securities.io à vos sources préférées sur Google
De décisions arbitraires aux scores de crédit
Lorsqu’elles accordent des prêts, les banques et autres institutions financières ont toujours dû se préoccuper du fait que les emprunteurs ne puissent pas rembourser. C’est pourquoi de nombreux prêts sont garantis par des actifs tels que l’immobilier ou les actifs d’entreprise que la banque peut saisir si les remboursements ne sont pas effectués. Néanmoins, la décision était entre les mains du personnel bancaire, qui décidait d’accorder ou non le prêt.
Avec le temps, la décision individuelle d’un employé de banque a été remplacée par des filtres de plus en plus sophistiqués basés sur des modèles de risque internes et des formules mathématiques, rendant le processus plus standardisé et moins arbitraire.
« Une partie du travail du gestionnaire de crédit consistait à essayer de déduire la personnalité de la personne, à déterminer si elle semblait organisée, mature et responsable. Un gestionnaire de crédit pouvait refuser un demandeur s’il soupçonnait qu’il était alcoolique, ou pour des raisons plus ouvertement discriminatoires liées à la race, au sexe, ou, pour les femmes emprunteuses, à leur statut marital. » Josh Lauer – Professeur à l’Université du New Hampshire et auteur du livre “Creditworthy.”
Cependant, il a fallu attendre 1958 pour que FICO, fondée par l’ingénieur Bill Fair et le mathématicien Earl Isaac, introduise le score de crédit standardisé moderne. Puis, en 1989, l’entreprise a lancé le premier score de crédit à usage général, valable à l’échelle nationale, allant de 300 à 850, qui est rapidement devenu la norme de prêt nationale aux États‑Unis.
Les limites du score de crédit
Un score de crédit moderne repose sur cinq catégories de données distinctes :
- Historique de paiement (35 %).
- Montant dû (30 %).
- Durée de l’historique de crédit (15 %).
- Nouveaux crédits et demandes (10 %).
- Diversité du crédit (10 %).
Cette méthode a rendu l’estimation de la solvabilité beaucoup plus objective et équitable que la méthode précédente. Mais, bien sûr, elle présente des limites.
Par exemple, elle n’inclut aucune information sur le comportement d’un individu en dehors des aspects liés aux dettes passées et présentes. Elle ne prend pas non plus en compte des informations telles que le lieu de résidence, le revenu, le secteur d’emploi, les actifs possédés, etc.
Un score de crédit moderne est également construit sur l’hypothèse que les banques accordent des prêts aux particuliers. Or, les systèmes de prêts peer‑to‑peer (P2P) modernes et d’autres services financiers FinTech fonctionnent différemment.
Parallèlement, les progrès de l’IA ont rendu possible l’intégration de données complexes et disparates dans un modèle décisionnel cohérent. Il n’est donc pas surprenant que l’IA progresse rapidement dans l’amélioration des modèles de prévision des défauts de paiement pour une nouvelle génération de prêteurs numériques.
Une nouvelle étude menée par deux chercheurs de l’Université d’Agder en Norvège a examiné la gestion du risque de crédit sur les plateformes de prêt peer‑to‑peer. Ils ont constaté que la recherche se divise principalement en deux camps : l’un se concentre sur l’amélioration de la prédiction des défauts grâce à l’apprentissage automatique, l’autre sur la compréhension des raisons pour lesquelles les emprunteurs font défaut. Cependant, les deux approches restent limitées par des ensembles de données vieillissants, des définitions incohérentes et une couverture géographique restreinte.
Les chercheurs ont publié leurs résultats dans Technological Forecast, Social Change1, sous le titre « Credit risk management in peer-to-peer lending platforms: A systematic literature review ».
L’essor et les défis du prêt P2P
Croissance rapide, nouveaux risques
Le concept central du prêt P2P repose sur la désintermédiation, les plateformes fonctionnant comme des places de marché plutôt que comme des entités porteuses de risque, facilitant l’appariement direct de l’offre et de la demande de fonds. De nombreuses nouvelles entreprises FinTech sont à la pointe du développement de ces marchés, tout comme les protocoles de prêt P2P utilisant la blockchain pour éliminer totalement le besoin d’un prêteur centralisé, ainsi que d’autres technologies DeFi (finance décentralisée).
Le prêt P2P est estimé à une taille de marché de 215 milliards de dollars en 2026, et devrait croître à un TCAC de 21,9 % jusqu’en 2033, la majorité des prêts étant fournis par des investisseurs individuels.
Source: Coherent Marketing Insights
Cependant, il s’agit d’un secteur très récent et encore mal réglementé, avec des risques allant d’une mauvaise estimation des risques réels de défaut à la fraude pure et simple.
Analyse de la littérature P2P
Les chercheurs ont identifié un total de 433 études pertinentes pour leur analyse du prêt P2P et de la gestion du risque de crédit, dont 280 ont été analysées plus en profondeur.
Les études scientifiques sur le sujet ont réellement décollé en 2014 et ont atteint un plateau en 2020. Géographiquement, la plupart des chercheurs du domaine proviennent de Chine, des États‑Unis, d’Inde et d’Indonésie, la Chine ayant publié 39 % du total des publications.
La plupart des recherches en cours se concentrent sur le prêt P2P en général, les risques de crédit et les technologies liées à l’IA comme l’apprentissage automatique. Nombre de ces études analysent le rôle à la fois des informations souples (réseaux sociaux) et des informations dures (taux d’intérêt) dans la prédiction des défauts.
Le sujet d’article le plus courant est l’évaluation de la précision prédictive en appliquant divers modèles d’apprentissage automatique, accompagnée d’enjeux liés aux données, aux variables et aux modèles.
Le deuxième sujet le plus courant consiste à identifier les déterminants de la probabilité de défaut et de la gravité du défaut.
D’autres études proposent de nouveaux systèmes de gestion du risque de crédit ou discutent des aspects encore sous‑recherchés.
Prêt P2P et IA
Recherche de nouveaux facteurs de risque
Comme le prêt P2P ne repose pas uniquement sur les scores de crédit traditionnels, l’apprentissage automatique et, plus récemment, d’autres technologies d’IA sont utilisées pour identifier les risques de défaut avec plus de précision.
Par exemple, des cartes cognitives floues basées sur des approches de calcul souple et la théorie des réseaux neuronaux ont été utilisées pour créer un modèle d’évaluation du risque de crédit.
Quel que soit la méthode spécifique, les études montrent souvent que l’apprentissage automatique surpasse les méthodes traditionnelles de scoring de crédit en termes de précision.
Dans l’ensemble, il semble que, individuellement, le score de crédit des emprunteurs, leur niveau d’études, leur statut marital et leurs titres de poste sont des indicateurs typiques de la solvabilité des emprunteurs.
Un autre facteur, basé sur la « théorie du capital social », peut également aider: l’appartenance à un réseau social donné peut être un facteur déterminant pour identifier les individus moins susceptibles de faire défaut sur leurs prêts.
Les chercheurs ont trouvé une contribution en forme de U de l’âge dans une étude, montrant que les candidats d’âge moyen (plus de 45 ans) présentent un risque de défaut plus élevé en raison de leur charge économique plus lourde liée au soutien de leurs enfants et de leurs parents retraités.
Ils ont également constaté que les emprunteuses se voient appliquer des taux d’intérêt plus élevés, malgré des taux de défaut nettement inférieurs à ceux des emprunteurs masculins.
Sans surprise, une histoire d’emploi plus longue, un revenu plus élevé et un ratio d’endettement plus faible sont favorisés.
La propriété, y compris les maisons et les voitures, améliore également la capacité de remboursement des emprunteurs, tandis que les locations et les prêts automobiles en cours la diminuent.
Ils ont également découvert que les indicateurs « souples » peuvent être prédictifs, bien qu’ils ne soient pas nécessairement exploitables par les plateformes de prêt P2P.
« Une étude a tenté d’examiner le caractère des emprunteurs, montrant que le défaut était plus probable chez les étudiants qui rendaient tardivement les livres à la bibliothèque universitaire et échouaient à une proportion plus élevée des cours qu’ils suivaient. »
Au total, l’étude a constaté que les facteurs les plus importants à prendre en compte sont :
- Au niveau de l’emprunteur :
- Démographique.
- Performance financière.
- Solvabilité.
- Score de crédit.
- Capital social.
- Indicateurs psychologiques.
- Niveau du prêt (montant, durée de remboursement, objectif, authentification et longueur de la description).
- Au niveau du prêteur :
- Indicateurs démographiques.
- Comportement de troupeau.
- Au niveau de la plateforme :
- Actions de recouvrement spéciales.
- Régimes tarifaires.
- Au niveau macro :
- Réglementation.
- Développement économique.
- Emploi.
- Culture nationale.
- Périodes de crise.
Évaluation de la boîte noire
Un problème récurrent avec l’IA est que les réseaux neuronaux et l’apprentissage automatique tendent à créer des systèmes dits « boîte noire », où les raisons d’un résultat donné sont loin d’être claires même pour les développeurs du système, et encore moins pour les opérateurs ultérieurs.
Cela peut constituer un problème sérieux pour le prêt P2P utilisant l’IA.
Premièrement, cela crée de graves dangers de mauvaise estimation du risque de défaut, sans moyen d’identifier le problème à temps.
Deuxièmement, cela peut poser de sérieux risques réglementaires, car de nombreuses caractéristiques d’un individu telles que la race ou le sexe sont généralement considérées comme discriminatoires et illégales à intégrer dans le processus de décision d’octroi ou non d’un prêt.
Construire un score de crédit IA
Construire un score de crédit IA nécessite d’utiliser le bon ensemble de données pour l’entraînement de l’IA.
Les chercheurs soutiennent que la plupart des évaluations IA de la solvabilité devraient intégrer plusieurs horizons temporels. Les horizons courts (<30 jours) aident à identifier les signaux d’alerte précoces, tandis que les horizons longs (120 jours ou plus) offrent une meilleure vue d’ensemble du résultat du prêt.
Le recouvrement, ou la probabilité de rembourser les sommes en retard lors d’un défaut, constitue également une donnée importante.
Enfin, un système IA parfait devrait également s’ajuster continuellement aux conditions économiques changeantes et démontrer que son sous‑écriture reste fiable en dehors des ensembles de données historiques sur lesquels il a été entraîné.
Dans l’ensemble, l’étude indique la direction du « score de crédit IA parfait » qui devrait intégrer le plus grand nombre possible de variables pertinentes, y compris la structure du prêt, les politiques de la plateforme, le comportement des investisseurs, les conditions d’emploi, la réglementation et les chocs macroéconomiques. Cependant, rendre un tel processus décisionnel transparent et équitable pourrait constituer un défi majeur avec bon nombre des technologies d’IA et des procédures d’entraînement actuelles.
Investir dans le score de crédit IA
Upstart Holdings, Inc
À mesure que les prêts et les scores de crédit évoluent, de nouvelles entreprises émergent pour offrir de meilleures alternatives aux scores de crédit et aux pratiques de prêt traditionnels.
L’une d’elles est Upstart (UPST ), une place de marché de prêts alimentée par l’IA, lancée en 2012, bien avant que l’IA ne devienne un sujet central de la conversation technologique.
UPST Graphique du prix
L’idée derrière Upstart était que le système de score de crédit existant est inefficace et obsolète. Avec beaucoup plus de données disponibles, il devait être possible d’identifier les risques de prêt de manière plus précise et, par conséquent, d’offrir des prêts moins chers à une large partie de la population.
« Notre modèle de prêt personnel est nettement plus précis qu’un modèle de crédit traditionnel pour évaluer le risque des emprunteurs. Nous croyons que des années d’améliorations de modélisation nous attendent. »
Ce démarrage précoce a fourni à l’entreprise une source abondante de données sur lesquelles entraîner sa propre IA et exploiter les récents progrès réalisés dans les méthodes d’entraînement de l’IA.
Source: Upstart
Cela signifie que la méthode d’Upstart peut identifier des personnes avec des scores FICO élevés mais, en pratique, présentant un risque élevé de défaut sur leurs prêts. Inversement, les personnes avec des scores FICO faibles ne sont pas aussi susceptibles de faire défaut.
Ainsi, grâce à l’utilisation de l’IA et des données, Upstart peut obtenir des résultats exceptionnels pour une cohorte donnée. Par exemple, il peut soit offrir davantage de prêts pour le même niveau de risque, passant d’un taux d’approbation de 27 % à 67 %. Ou il peut réduire les pertes de manière significative, passant d’un taux de défaut de 9 % à 5 %, soit presque de moitié.
Source: Upstart
De plus, l’utilisation d’un algorithme plutôt que d’un agent de prêt signifie que le processus est automatisé. Cela est à la fois moins coûteux et beaucoup plus rapide et agréable pour demander un prêt.
La place de marché d’Upstart met en relation les emprunteurs avec les banques, les coopératives de crédit et le capital institutionnel. Elle a rapporté que les investisseurs institutionnels ont acheté 64 % du principal généré via sa place de marché en 2025.
Upstart dessert un marché absolument massif, avec 25 billions de dollars de crédit émis chaque année à l’échelle mondiale. Sur ce montant, jusqu’à 1 billion de dollars de revenus sont disponibles pour les plateformes qui émettent et gèrent ce crédit.
En 2025, l’entreprise a émis 1,5 million de prêts (en hausse de 115 % d’une année sur l’autre), pour un total de 11 milliards de dollars (en hausse de 86 % d’une année sur l’autre), et des revenus totaux de 1 milliard de dollars (en hausse de 64 % d’une année sur l’autre). L’entreprise connaît également une croissance rapide dans de nouveaux segments, avec, par exemple, l’émission de prêts automobiles qui a multiplié par 5 son volume (de 45 M$ au T4 2024 à 263 M$ au T1 2026), et l’émission de prêts immobiliers qui a multiplié par 6 son volume (de 27 M$ au T4 2024 à 143 M$ au T1 2026).
Ainsi, même si elles sont importantes, ces chiffres pâlissent face au potentiel total des méthodes avancées de score de crédit et de l’évaluation de prêts basée sur l’IA.
Source: Upstart
Les récents chiffres de croissance et le fait d’avoir été construite comme une entreprise axée sur l’IA sont des points positifs forts pour l’avenir d’Upstart, même si le cours de l’action n’a pas réellement récompensé ce succès, les prix restant au même niveau qu’en 2022 et bien en dessous de son pic de 2021 pendant la pandémie.
En partie, cela s’explique également par le fait qu’il existe quelques risques pour le modèle économique d’Upstart.
Le premier est que son modèle peut se détériorer, à mesure que les conditions économiques dépassent les données d’entraînement et que son IA pourrait manquer de nouvelles tendances.
Un autre problème est la pression réglementaire croissante pour la transparence, l’équité et le reporting des performances démographiques, car même involontairement, l’IA pourrait réintroduire des pratiques discriminatoires auparavant interdites dans le secteur financier.
Enfin, l’entreprise reste dépendante de la disponibilité du financement institutionnel à travers les cycles de crédit, avec des signes de tension dans le système financier s’accumulant dans le contexte de niveaux d’endettement élevés et d’une situation géopolitique tendue.
Néanmoins, Upstart est idéalement positionnée pour devenir une place de marché de prêts IA clé et un fournisseur d’infrastructure de sous‑écriture, une évolution nécessaire de la poussée initiale des réseaux FinTech et P2P vers de nouvelles pratiques de prêt.
Et les investisseurs pourraient souhaiter s’exposer à une entreprise qui a radicalement changé la façon dont la sous‑écriture de prêts est réalisée dès le départ.
Dernières actualités et développements de l’action Upstart Holdings (UPST)
Étude référencée
1. Fengya Zhu et Rotem Shneor. Gestion du risque de crédit sur les plateformes de prêt peer‑to‑peer : une revue systématique de la littérature. Technological Forecast, Social Change. novembre 2026. Article : 124831. Volume 232. 10.1016/j.techfore.2026.124831
