Process d'évaluation du crédit activé par une IA agentique : un plan stratégique

Bhushan Joshi, Dr Manas Panda, Raja Basu

Découvrez les meilleures actualités et événements fintech !

Abonnez-vous à la newsletter de FinTech Weekly

Lue par des cadres chez JP Morgan, Coinbase, Blackrock, Klarna et plus encore

L’industrie des services financiers subit une révolution paradigmique alors que l’IA générative (GenAI) et les systèmes d’IA agentique redéfinissent les flux de processus métier - la prise de décision de crédit étant l’un d’eux. Les banques adoptent désormais des systèmes pilotés par l’IA améliorant la précision prédictive tout en automatisant simultanément des flux de travail complexes. Cet article explore comment la GenAI et l’IA agentique peuvent être déployées stratégiquement dans le processus d’évaluation du crédit, améliorant significativement le niveau d’efficacité et d’automatisation, tout en abordant les considérations de gouvernance, de risque et de conformité.

L’Avantage de la GenAI : Enrichissement Intelligent des Données

Les données sont le sang vital de l’évaluation du crédit. Les banques et institutions financières évaluent et analysent une multitude d’éléments de données en utilisant des modèles logistiques et heuristiques. Avec la GenAI, ce processus a fait un saut quantique, car les modèles de GenAI offrent la capacité d’évaluer des données non structurées, générant des insights précieux. La génération de données synthétiques pour simuler des scénarios à l’avance est une autre évolution clé dans le processus d’évaluation.

Les modèles de GenAI excellent dans l’analyse d’informations non structurées en les transformant en données structurées. Cette capacité permet d’extraire des attributs clés tels que la cohérence des revenus, les incohérences de paiement, les données d’emploi, les dépenses discrétionnaires, etc., qui peuvent fournir des insights critiques lors de l’évaluation de souscription.

La génération de données synthétiques est une capacité offerte par les modèles de GenAI, pouvant être utilisée pour des modélisations robustes et des validations. Cela peut aider à atténuer la rareté des données dans les cas extrêmes. Les modèles d’IA peuvent être utilisés pour définir des scénarios extrêmes, ajouter des critères plus nuancés — buffers de liquidité, volatilité des revenus, etc. — et peuvent être validés avec des données synthétiques. Ces données respectueuses de la vie privée améliorent la généralisation et la résilience du modèle face aux risques extrêmes.

Les systèmes multimodaux de GenAI peuvent signaler des incohérences — telles que des discordances entre revenus déclarés, dossiers fiscaux, relevés bancaires, etc. en comparant et contrastant. Ces activités manuelles chronophages peuvent être accélérées grâce à une meilleure conformité, en détectant les lacunes et en améliorant l’intégrité des données.

IA Agentique : Orchestrer des Flux de Travail Autonomes

Alors que les systèmes multimodaux de GenAI facilitent l’intégrité des données, créent et valident des scénarios extrêmes, l’IA agentique guide avec un flux de travail autonome.

L’IA agentique a encore avancé le processus d’évaluation avec la prise de décision autonome pour des tâches discrètes. La mesh d’IA agentique, composée de plusieurs agents experts, est capable d’effectuer plusieurs tâches discrètes simultanément. La vérification d’identité, la récupération et la validation de documents, l’évaluation de métriques, la validation de données externes, les vérifications auprès des bureaux de crédit, l’analyse psychométrique, etc., peuvent être effectuées simultanément par des agents spécialisés. Chaque agent opère avec des objectifs définis, des métriques de succès et des protocoles d’escalade, rendant le processus plus rapide avec une précision accrue.

Cette mesh agentique applique la logique métier, invoque des modèles prédictifs, et route les demandes en fonction de seuils de confiance, automatisant dynamiquement les flux de processus. Par exemple, les décisions à faible confiance ou les anomalies signalées sont automatiquement escaladées à des souscripteurs humains avec des alertes envoyées via des systèmes de messagerie pour agir. Parallèlement, les systèmes agentiques peuvent surveiller proactivement les demandes, détecter des contradictions, et initier des mécanismes de remédiation. De même, si le profil de crédit d’un demandeur tombe dans une zone grise, il peut déclencher automatiquement une révision secondaire ou demander des documents supplémentaires ou impliquer un humain.

Exemple : une grande banque mondiale a récemment mis en place un processus entièrement automatisé de gestion des cas à partir des emails clients — enregistrement des cas, déclenchement de flux de travail, messagerie avec suivi du statut et communication — réduisant l’effort et le temps de traitement de moitié par rapport à avant.

Pour couronner le tout, la capacité NLP permet aux agents de converser avec les demandeurs en temps réel, clarifiant les ambiguïtés, collectant des données manquantes, et résumant les prochaines étapes — en plusieurs langues et avec commande vocale si nécessaire. Cela réduit les frictions et améliore les taux de complétion, notamment pour les segments de clients sous-servis et hésitants.

Architecture Hybride : Équilibrer Précision et Explicabilité

Les technologies de GenAI et d’IA agentique conçoivent des flux de processus et une architecture — améliorant l’efficacité tout en équilibrant la précision et l’explicabilité des résultats.
Une architecture hybride combinant l’IA agentique avec des modèles de GenAI augmente la puissance prédictive avec des données plus riches et une meilleure transparence réglementaire. La combinaison d’agents IA augmente également la robustesse et les capacités d’exécution automatisée transparente.

Alors que la GenAI peut générer des explications contrefactuelles — des scénarios “et si” illustrant comment les demandeurs peuvent améliorer leur éligibilité au prêt, les systèmes agentiques peuvent collecter des données de résultats, curer des cas extrêmes, et initier des cycles de réentraînement. Ce processus d’auto-apprentissage adaptatif avec des jeux de données plus propres et des scénarios extrêmes plausibles améliore la précision du processus d’évaluation de l’éligibilité au prêt client.

Appel à l’action : Construire des Systèmes d’IA Fiables pour une Évaluation Plus Précise

L’évaluation de l’éligibilité au prêt est un processus complexe qui impacte l’expérience client et la relation commerciale à long terme. Quelques recommandations clés à garder en tête lors de la refonte du flux sont : a) une architecture avec un humain dans la boucle pour améliorer la traçabilité et l’explicabilité de la décision, b) identifier et cartographier correctement les résultats de décision aux caractéristiques associées pour répondre aux préoccupations d’interprétabilité et d’audit, c) mettre en œuvre des garde-fous responsables d’IA, des sauvegardes opérationnelles telles que des contrôles d’accès basés sur les rôles, une matrice d’escalade, etc., afin d’améliorer la résilience du processus.

Conclusion

Le processus de décision de crédit est à un point d’inflexion avec la GenAI et l’IA agentique qui redéfinissent les flux de processus métier — rendant l’écosystème de prêt plus efficace et résilient. Les institutions financières qui investiront dans une conception réfléchie, une gouvernance rigoureuse et des modèles de données robustes automatisant des cas d’usage à enjeux élevés mèneront la prochaine ère de la souscription intelligente.