Processus d'évaluation de crédit activé par l'IA agentique : Un plan stratégique

Bhushan Joshi, Dr Manas Panda, Raja Basu

Découvrez les principales actualités et événements de la fintech !

Abonnez-vous à la newsletter de FinTech Weekly

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

Le secteur des services financiers connaît un changement de paradigme alors que l'IA générative (GenAI) et les systèmes d'IA agentique redéfinissent les flux de processus métier – la décision de crédit étant l'un d'entre eux. Les banques adoptent désormais des systèmes pilotés par l'IA qui améliorent la précision prédictive tout en automatisant des workflows complexes. Cet article explore comment la GenAI et l'IA agentique peuvent être déployées stratégiquement dans le processus d'évaluation du crédit, améliorant considérablement le niveau d'efficacité et d'automatisation, tout en tenant compte des considérations de gouvernance, de risque et de conformité.

L'avantage de la GenAI : enrichissement intelligent des données

Les données sont le pilier de l'évaluation du crédit. Les banques et institutions financières évaluent et analysent une multitude d'éléments de données à l'aide de modèles logistiques et heuristiques. Avec l'arrivée de la GenAI, ce processus a fait un bond en avant, car les modèles GenAI offrent la capacité d'évaluer des données non structurées, générant des informations précieuses. La génération de données synthétiques pour simuler des scénarios à l'avance est un autre changement clé dans le processus d'évaluation.

Les modèles GenAI excellent dans l'analyse d'informations non structurées, 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 informations critiques dans l'évaluation de la souscription.

La génération de données synthétiques est une capacité offerte par les modèles GenAI, qui peut être exploitée à des fins de modélisation et de validation robustes. 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 – réserves de liquidités, volatilité des revenus, etc. – et peuvent être validés avec des données synthétiques. Ces données préservant la confidentialité améliorent la généralisabilité du modèle et sa résilience aux risques extrêmes.

Les systèmes GenAI multimodaux peuvent signaler des incohérences – comme des écarts entre les revenus déclarés, les registres fiscaux, les relevés bancaires, etc. – en comparant et en contrastant. Ces activités manuelles et chronophages peuvent être accélérées avec une conformité améliorée, détectant les lacunes et améliorant l'intégrité des données.

IA agentique : orchestrer des workflows autonomes

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

L'IA agentique a encore fait progresser le processus d'évaluation avec une prise de décision autonome de tâches discrètes. Le maillage d'IA agentique, comprenant plusieurs agents experts, est capable d'effectuer plusieurs tâches discrètes simultanément. Vérification d'identité, récupération et validation de documents, évaluation de métriques, validation de données externes, vérifications auprès des bureaux de crédit, analyse psychométrique, etc., pour n'en citer que quelques-unes, peuvent être effectuées simultanément par des agents spécialisés. Chaque agent opère avec des objectifs définis, des métriques de réussite et des protocoles d'escalade, rendant le processus plus rapide avec une précision accrue.

Ce maillage agentique applique la logique métier, invoque des modèles prédictifs et achemine les candidatures en fonction de seuils de confiance, automatisant dynamiquement les workflows. Par exemple, les décisions à faible confiance ou les anomalies signalées sont automatiquement remontées aux souscripteurs humains avec des alertes envoyées via des systèmes de messagerie pour agir. Simultanément, les systèmes agentiques peuvent surveiller proactivement les candidatures, détecter les contradictions et initier des mécanismes de remédiation. De même, si le profil de crédit d'un candidat se trouve dans une zone grise, il peut déclencher automatiquement un examen secondaire ou demander des documents supplémentaires ou faire appel à un humain.

Exemple concret : une grande banque mondiale a récemment mis en œuvre un processus entièrement automatisé de gestion des cas à partir des courriels des clients – enregistrement des cas, invocation de workflows, messagerie avec suivi de statut et communication – réduisant l'effort et le temps de traitement de moitié par rapport à avant.

Pour couronner le tout, la capacité de NLP permet aux agents de converser avec les candidats en temps réel, de clarifier les ambiguïtés, de collecter les données manquantes et de résumer les prochaines étapes – en plusieurs langues et avec activation vocale si nécessaire. Cela réduit les frictions et améliore les taux d'achèvement, en particulier pour les segments de clients hésitants et mal desservis.

Architecture hybride : équilibrer précision et explicabilité

Les technologies GenAI et IA agentique conçoivent des flux de processus et des architectures – améliorant l'efficacité tout en équilibrant la précision et l'explicabilité des résultats.
Une architecture hybride combinant l'IA agentique avec des modèles GenAI améliore la puissance prédictive avec des données plus riches et une transparence réglementaire accrue. Combiner des agents IA augmente également la robustesse et les capacités d'exécution automatisée sans couture.

Alors que la GenAI peut générer des explications contrefactuelles – des scénarios "et si" illustrant comment les candidats peuvent améliorer leur éligibilité au prêt, les systèmes agentiques peuvent collecter des données de résultats, organiser des cas extrêmes et initier des cycles de réentraînement. Ce processus d'auto-apprentissage adaptatif avec des ensembles de données plus propres et des scénarios extrêmes plausibles améliore la précision du processus d'évaluation de l'éligibilité au prêt des clients.

Appel à l'action : construire des systèmes d'IA dignes de confiance 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 à l'esprit lors de la refonte du flux : a) une architecture avec un humain dans la boucle pour améliorer le processus global de prise de décision avec traçabilité et explicabilité, b) identifier et cartographier correctement les résultats des décisions avec les caractéristiques associées pour répondre aux préoccupations d'interprétabilité et aux conclusions d'audit, c) mettre en œuvre des garde-fous responsables pour l'IA, des sauvegardes opérationnelles telles que des contrôles d'accès basés sur les rôles, une matrice d'escalade, etc., amélioreraient 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 investissent dans une conception réfléchie, une gouvernance rigoureuse et des modèles de données robustes pour automatiser les cas d'utilisation à enjeux élevés mèneront la prochaine ère de la souscription intelligente.