AI Modèles de crédit sur les marchés émergents : du lift prédictif à une gouvernance finançable

1. Commencer par la décision de crédit et le résultat de trésorerie

Un modèle AI n’a de valeur pour un prêteur que lorsque ses décisions améliorent les flux de trésorerie ajustés au risque dans le cadre d’une stratégie de crédit approuvée. L’exactitude, l’aire sous la courbe, l’indice de Gini, la précision ou toute autre mesure technique peuvent décrire le comportement du modèle, tandis que la capacité de financement dépend de l’approbation, de la tarification, de l’exposition, des impayés, du recouvrement, des pertes, de la liquidité et du traitement des emprunteurs. L’équipe de due diligence doit donc partir d’un enregistrement de décision et le relier aux flux de trésorerie contractuels et réalisés.

L’enregistrement minimal relie la demande, l’emprunteur, le produit, le montant, la durée, le prix, la version du modèle, l’instantané des données d’entrée, le score, le seuil de décision, l’explication, la dérogation humaine, le pouvoir d’approbation, le décaissement, l’échéancier de remboursement, la trésorerie reçue, les arriérés, la régularisation, la restructuration, le recouvrement et la radiation. Des identifiants stables doivent relier la plateforme de modélisation, le système de gestion des prêts, les comptes bancaires, les déclarations aux bureaux de crédit et le grand livre. Un échantillon doit être reproductible à partir des données et du code d’origine ou d’un service de notation contrôlé.

Le prêteur doit distinguer trois questions. Le modèle a-t-il mieux classé le risque qu’une base de référence approuvée ? L’établissement a-t-il traduit ce classement en limites, tarifications et décisions de politique judicieuses ? Ces décisions ont-elles produit une performance de trésorerie cohérente avec le dossier de souscription ? Une réponse positive à la première question ne peut compenser une politique ou des opérations fragiles.

Le livrable initial de due diligence doit être une traçabilité du score aux flux de trésorerie. Chaque affirmation ultérieure sur l’inclusion, le gain prédictif, l’efficacité du capital ou la valorisation doit être rapprochée de cette traçabilité.

Le diagramme présente un cadre de gouvernance. Les rôles, les éléments probants et les approbations doivent être vérifiés pour chaque établissement et chaque juridiction.

2. Définir la capacité de financement avant de mesurer la performance du modèle

Un modèle finançable a un usage défini, un propriétaire responsable, des données licites, une mise en œuvre contrôlée, une remise en cause indépendante, un suivi stable, des décisions explicables, un repli opérationnel et un lien démontré avec la trésorerie du portefeuille. Ces attributs doivent être définis avant que le prêteur n’examine la performance d’ensemble. Sinon, une statistique solide peut dominer la discussion alors que des contrôles essentiels restent non testés.

Le modèle peut soutenir le filtrage, l’approbation, la fixation de limites, la tarification, la lutte contre la fraude, le recouvrement ou l’alerte précoce. Chaque usage a une matérialité et un coût d’erreur différents. Un modèle de classement utilisé comme l’un des éléments d’entrée d’un responsable crédit senior diffère d’un modèle de refus automatisé. Un modèle soutenant de petites avances à court terme diffère d’un modèle fixant une facilité d’entreprise pluriannuelle. Les critères de capacité de financement doivent suivre l’impact et la réversibilité de la décision.

Les bonnes pratiques proposées par le FSB pour 2026 organisent le risque AI autour de la gouvernance et du cycle de vie du développement, du déploiement, de la cybersécurité, de la technologie et des tiers.[1] Le cadre de gestion des risques AI du NIST utilise les fonctions gouverner, cartographier, mesurer et gérer et appelle à une évaluation continue, à des limites documentées et à des procédures de désengagement des systèmes dont la performance est incompatible avec l’usage prévu.[19] Ces cadres peuvent éclairer l’architecture de contrôle, tandis que le droit local et les exigences prudentielles restent déterminants.

Le terme « finançable » ne signifie pas qu’un modèle est parfait. Il signifie que l’incertitude résiduelle est identifiée, mesurée, gouvernée et reflétée dans le taux d’avance, la réserve, le covenant, le prix et les droits du prêteur.

3. Cartographier le périmètre du modèle, de la politique et du système

Une institution peut exploiter plusieurs modèles derrière un même score. Des composantes d’identité, de fraude, de capacité de remboursement, de crédit, de tarification, de limite et de recouvrement peuvent alimenter un moteur de politiques. Les scores de fournisseurs peuvent être transformés ou combinés à des règles et au jugement humain. Le périmètre de due diligence doit inclure chaque composante qui modifie la situation de l’emprunteur ou la perte du prêteur.

L’inventaire doit consigner l’objectif, le propriétaire, l’entité juridique, la juridiction, le segment d’emprunteur, le produit, le rôle dans la décision, l’algorithme, la version du modèle, la période d’entraînement, les sources de données d’entrée, le fournisseur, la date de validation, la matérialité, ainsi que le plan de repli et de mise hors service. Les modèles fantômes, les tests champion-challenger et les ajustements effectués dans des tableurs doivent rester visibles. Un modèle absent de l’inventaire formel constitue un constat de gouvernance, même lorsque sa performance technique semble solide.

Les Normes de gestion des modèles de la Banque centrale des UAE identifient la gouvernance, la gestion des données, le développement, la mise en œuvre, l’utilisation, le suivi des performances et la validation indépendante comme composantes essentielles.[11] Ses orientations relatives aux technologies habilitantes exigent un registre à l’échelle de l’entreprise et une couverture du cycle de vie, de la conception à l’arrêt définitif.[9] Ces principes soutiennent un périmètre qui s’étend au-delà du code pour inclure les politiques, les personnes, les données et les opérations.

Le prêteur devrait également déterminer quelle entité détient le modèle, quelle entité originait et gère les prêts, et quelle entité supporte les pertes. Les accords intragroupe de notation ou de gestion des prêts peuvent affecter l’accès aux données et la continuité après une transaction ou une procédure d’exécution.

Tableau 1. Inventaire des modèles et cartographie des preuves par niveau de risque

Le niveau de risque doit refléter l'impact sur la décision, l'exposition, l'autonomie, la complexité et la substituabilité.

4. Établir les droits sur les données, leur provenance et leur disponibilité continue

Les données alternatives peuvent inclure des transactions bancaires, des flux de monnaie mobile, des paiements de services publics, des loyers, des ventes sur plateforme, des documents comptables, des signaux d'appareils, des données de géolocalisation ou des informations comportementales. Un prêteur doit vérifier, pour chaque champ ou variable dérivée, la base juridique, l'information de l'emprunteur, le consentement lorsque requis, l'autorisation contractuelle, la provenance, l'exactitude, la conservation, le transfert et l'utilisation autorisée dans les modèles.

L'accès aux données peut être temporaire. Un partenaire de plateforme peut mettre fin à un flux, modifier une interface de programmation d'application, restreindre le consentement ou modifier les définitions de champs. Un modèle entraîné sur des données étendues peut se dégrader lorsque la production reçoit un ensemble plus réduit ou plus lent. L'équipe chargée de la transaction doit comparer la couverture du développement et de la production et tester le mécanisme de repli en cas de perte de chaque source significative.

Le cadre de prêt numérique de la RBI exige une collecte fondée sur les besoins, le consentement préalable et explicite de l'emprunteur, des pistes d'audit claires et la responsabilité de l'entité réglementée à l'égard des prestataires de services.[12][13] La réglementation kényane sur les fournisseurs de crédit numérique exige la confidentialité des informations des clients et la transmission en temps voulu, complète et exacte des informations de crédit aux bureaux agréés.[14] Ces exigences illustrent pourquoi les droits et la qualité des données sont des enjeux de crédit et non de simples tâches de maintenance technique.

Le prêteur devrait exiger un registre des droits sur les données lié aux variables du modèle et aux emprunteurs. Les champs non justifiés devraient être supprimés ou mis en quarantaine, le modèle devrait être retesté, et toute baisse de performance devrait être intégrée au dossier de crédit.

Tableau 2. Registre des droits sur les données et des éléments probants

Les exigences applicables dépendent du droit local, du produit, de l’emprunteur et de la source de données.

5. Définir la variable cible et le défaut de manière cohérente

La performance d’un modèle dépend de l’événement qu’il prédit. Une cible peut être un paiement manqué, un impayé de 30 jours, un impayé de 90 jours, une radiation, une fraude, une restructuration ou une perte nette de trésorerie sur un horizon défini. La définition retenue pour le développement doit correspondre au produit, à la politique et à l’objectif de financement. Une cible de retard de paiement à court horizon peut classer le comportement de paiement précoce sans capturer la perte sur la durée de vie.

La fenêtre cible doit laisser suffisamment de temps pour que l’événement arrive à maturité. Les prêts récents dont la performance n’est pas complète ne peuvent pas être étiquetés comme bons simplement parce qu’ils ne sont pas encore en défaut. La guérison, la restructuration, le règlement, le moratoire, la cession et la radiation doivent être traités de manière cohérente. Les événements doivent être rapprochés des échéances contractuelles, des encaissements et des écritures comptables.

Les Principes de 2025 du Comité de Bâle pour la gestion du risque de crédit soulignent l'importance d'un octroi de crédit sain, de l'administration, de la mesure, de la surveillance et des contrôles.[7] Les orientations de validation de la CBUAE exigent l'examen de la définition du défaut, des données de développement, de la conception du modèle, des hypothèses, de la stabilité, du pouvoir discriminant et de la calibration.[10] Ces principes s'appliquent directement aux éléments probants qui sous-tendent la cible.

Un prêteur devrait recalculer les performances selon d'autres définitions. Si le gain prédictif disparaît lorsque la cible passe du retard de paiement précoce à la perte nette, le modèle peut être utile pour la priorisation des recouvrements et inadapté à l'éligibilité au capital.

6. Constituer des cohortes révélant la sélection et la maturation

Les divisions aléatoires entre entraînement et test peuvent surestimer la performance lorsque des enregistrements de périodes, d'emprunteurs, de commerçants ou de localisations similaires apparaissent dans les deux échantillons. La capacité de financement exige des tests hors période et hors segment. Les cohortes doivent être constituées selon la date d'octroi, le produit, la géographie, le canal, le type d'emprunteur, le ticket d'investissement, la durée, la classe de score et la version du modèle à ancienneté en portefeuille égale.

La sélection doit être visible. Le modèle n'observe les résultats que pour les prêts approuvés, sauf si l'institution dispose d'une autre source pour les demandeurs refusés. La politique d'approbation peut donc créer un biais de sélection d'échantillon. Un modèle entraîné sur des approbations antérieures peut être peu performant lorsqu'il est étendu à des groupes auparavant refusés ou à historique de crédit limité. Des pilotes contrôlés et des limites prudentes peuvent constituer des éléments probants.

Les travaux de l'IFC de 2026 sur le crédit alternatif indiquent que les données transactionnelles sont des intrants courants et que AI est utilisé de manière sélective dans les modèles servant des emprunteurs ayant un historique formel limité.[16] Les éléments probants soutiennent une opportunité et renforcent aussi la nécessité d'évaluer le contexte, le segment et la mise en œuvre. Le succès d'un modèle dans un pays, chez un partenaire ou pour un produit ne prouve pas sa transférabilité.

Le dossier de cohortes doit préciser les fenêtres d'observation et de performance, les exclusions, la présence de données manquantes ainsi que le nombre de comptes et l'exposition. Les petits échantillons doivent être identifiés et regroupés uniquement pour une raison défendable.

7. Traduire le gain prédictif en pont économique

Le gain prédictif décrit une amélioration par rapport à une base de référence. Il peut signifier une discrimination plus élevée, une meilleure calibration, une perte plus faible au même taux d'approbation ou un taux d'approbation plus élevé à perte égale. Le prêteur devrait exiger une base de référence qui reflète l'alternative de décision réelle, telle qu'un score de bureau de crédit, une grille de score ou une règle de politique, plutôt qu'un référentiel artificiellement faible.

Le pont devrait maintenir constante une contrainte métier. Au même taux d'approbation, comparer la perte réalisée et la contribution. À perte attendue égale, comparer les approbations et l'exposition financée. L'analyse devrait inclure les coûts d'acquisition, de données, de modèle, de vérification, de gestion des prêts, de fraude, de financement et de capital. Un petit gain statistique peut avoir une valeur limitée après les dépenses de mise en œuvre et la sélection adverse.

L'exemple hypothétique ci-dessous part de 100 unités de perte de trésorerie attendue de référence. L'amélioration du classement réduit la perte de 18 unités, tandis que l'expansion vers des segments à historique limité ajoute 7, un relâchement des règles ajoute 5, les coûts d'exploitation des données et du modèle ajoutent 4, et des recouvrements plus faibles ajoutent 3. Le bénéfice analytique net est de 1 unité. Chaque montant est une hypothèse analytique hypothétique et devrait être remplacé par des éléments probants vérifiés au niveau des comptes.

Toutes les valeurs sont des hypothèses analytiques hypothétiques et ne décrivent ni un prêteur, ni un modèle, ni une prévision de marché.

8. Tester ensemble la discrimination, la calibration et la perte réalisée

La discrimination mesure si les emprunteurs plus risqués reçoivent des scores plus dégradés. La calibration mesure si les probabilités prédites correspondent aux résultats observés. Un modèle peut classer correctement tout en sous-estimant systématiquement la perte. Les prêteurs ont besoin des deux mesures, car le capital et la tarification dépendent du niveau de risque, et non seulement de l'ordre.

La validation doit présenter l'aire sous la courbe ou l'indice de Gini avec intervalles de confiance, la précision et le rappel lorsque pertinent, la calibration par tranche de score, la perte de Brier ou logarithmique, ainsi que les résultats observés par rapport aux résultats attendus. L'analyse doit utiliser des pondérations par compte et par exposition et présenter la perte en trésorerie, et non seulement le nombre de défauts. Le calendrier et le coût des recouvrements comptent pour le service de la dette.

La performance doit être séparée entre périodes de développement, hors échantillon temporel, de production et de stress. Le rapport de l'EBA sur l'apprentissage automatique dans les modèles de notation interne souligne la nécessité d'un usage prudent dans le cadre du risque de crédit et l'interaction avec la protection des données et les règles AI.[20] Les normes de validation de la CBUAE exigent un examen quantitatif de la stabilité, du pouvoir discriminant, de la sensibilité et de la calibration.[10]

Les seuils d'approbation doivent être testés au regard de la capacité et de la liquidité. Un modèle qui admet davantage d'emprunteurs peut modifier la composition du portefeuille et saturer la vérification ou le recouvrement. La capacité de financement relie donc les tests techniques aux opérations et au financement.

9. Évaluer l'inclusion des emprunteurs à historique limité sans masquer la sélection adverse

AI peut identifier des emprunteurs dont l'activité de trésorerie n'est pas représentée dans les dossiers conventionnels. L'analyse publiée par la BIS note que des données alternatives peuvent améliorer la prédiction de défaut pour les groupes mal desservis et révéler des emprunteurs dont les scores conventionnels sont des signaux faibles.[3] Les travaux de l'IFC décrivent aussi des modèles utilisant l'argent mobile, les paiements numériques, les données de plateformes et les données d'entreprise.[16][17]

Le prêteur doit mesurer l'inclusion comme une cohorte contrôlée. Les emprunteurs nouveaux au crédit ou à historique limité doivent faire l'objet de définitions explicites, d'une approbation, d'une exposition, d'une tarification, d'un reporting sur les impayés, les pertes et les réclamations distincts, ainsi que de limites progressives jusqu'à ce que leur performance dispose d'un historique suffisant. Les comparaisons doivent être ajustées selon le montant, la durée, la zone géographique, le canal et les conditions économiques.

Les allégations d'inclusion doivent distinguer l'accès des résultats. Un plus grand nombre d'approbations peut coexister avec une tarification inabordable, des refinancements répétés ou une faible compréhension de l'emprunteur. La performance en trésorerie, le coût total, le recours répété à l'emprunt, les réclamations, les difficultés de paiement et les restructurations doivent être suivis ensemble.

La structure de financement peut appliquer des taux d'avance plus faibles ou des réserves plus élevées aux segments non matures et les libérer après vérification de la performance de la cohorte. Cela permet au capital de suivre les preuves sans abandonner un objectif d'inclusion.

10. Mesurer l'équité et le risque de proxy dans le processus décisionnel réel

Les données historiques peuvent encoder un accès, un traitement et des résultats inégaux. Des variables alternatives peuvent servir de proxies pour des caractéristiques protégées ou vulnérables. L'analyse d'équité doit donc couvrir les données, les étiquettes, la sortie du modèle, les seuils de politique, les dérogations, la tarification, les limites, la gestion des prêts et le recouvrement.

L'institution doit identifier, avec l'appui de conseils juridiques, des groupes de comparaison légalement autorisés. Des tests utiles peuvent porter sur l'approbation, les taux d'erreur, la calibration, la tarification et les pertes par groupe, avec la taille d'échantillon et le niveau de confiance. Une différence statistique exige d'examiner le mécanisme, la nécessité commerciale, la qualité des données et les mesures correctives potentielles. Une seule mesure de parité ne peut suffire à trancher l'évaluation.

Le FSB a averti que les données historiques et des sources alternatives opaques peuvent perpétuer des biais et rendre les erreurs difficiles à corriger pour les emprunteurs.[2] Le plan d'action du G20 pour le financement des micro, petites et moyennes entreprises note que l'évaluation automatisée du crédit peut introduire des distorsions et que des données incomplètes ou non représentatives peuvent affecter les groupes mal desservis.[18]

Le prêteur doit exiger un registre des variables, une revue des proxies, des tests d'équité, un canal de réclamation et un processus de contrôle des changements. Lorsque des étiquettes de groupe licites ne sont pas disponibles, l'institution doit documenter cette limite et utiliser d'autres éléments de preuve, comme la sensibilité des variables, les résultats géographiques, l'examen manuel et les retours des emprunteurs.

11. Rendre les explications utiles aux emprunteurs, aux chargés de crédit et aux validateurs

Une explication doit être adaptée à son public. Les emprunteurs ont besoin de motifs principaux clairs et d'un moyen de corriger les données ou de demander un réexamen. Les chargés de crédit ont besoin des facteurs de décision, de la sensibilité et du contexte des politiques. Les validateurs ont besoin de méthodes reproductibles, de stabilité et de limites. Les superviseurs ont besoin de traçabilité et de preuves de responsabilité.

L'importance globale ou locale des variables peut à elle seule être insuffisante. Des variables corrélées peuvent échanger leur importance, et les explications a posteriori peuvent varier. L'institution doit tester la fidélité, la stabilité et le caractère actionnable. Un motif doit refléter la décision réelle et éviter d'exposer des contrôles de sécurité ou de fraude sensibles.

Le projet Noor de la BRI développe des méthodes explicables-AI qui peuvent aider les superviseurs à évaluer la transparence, l'équité et la robustesse tout en préservant la confidentialité.[5] Un discours de la BRI de 2026 indique que les institutions restent responsables de l'explicabilité et de la qualité des données dans les décisions à fort impact telles que les demandes de crédit.[6] Ces initiatives soutiennent une explication pratique tout en préservant la responsabilité institutionnelle.

Le prêteur doit échantillonner les explications par rapport aux données sources, aux changements de score et aux décisions de politique. Une décision défavorable à l'emprunteur qui ne peut pas être expliquée de manière cohérente ne devrait pas pouvoir bénéficier d'une extension automatisée ou d'un avantage en capital.

12. Encadrer les dérogations humaines comme une composante mesurable du modèle

Le jugement humain peut apporter des informations que le modèle ne peut pas observer. Il peut aussi affaiblir la discipline, favoriser les objectifs de croissance ou masquer un segment en détérioration. Chaque dérogation doit consigner la direction, le motif, les preuves, l'autorité, l'horodatage, le score du modèle, la décision initiale, les conditions finales et le résultat ultérieur.

L'analyse des dérogations doit distinguer la dérogation au modèle de l'exception de politique et de la correction de données. Corriger une erreur de données d'entrée vérifiée diffère de l'approbation d'un emprunteur hors appétit pour le risque. Les dérogations à la hausse et à la baisse doivent être suivies séparément par chargé de crédit, agence, canal, produit, zone géographique et bande de score.

L'analyse hypothétique doit comparer la perte observée pour les approbations non dérogées, les dérogations positives et les dérogations négatives à un risque de modèle similaire. Une fréquence élevée de dérogations peut indiquer un modèle mal ajusté ou une faible adoption. Une autorité de dérogation concentrée crée un risque de conduite et un risque opérationnel. Un faible taux de dérogations peut aussi être préoccupant si le personnel suit un modèle inadapté sans le contester.

Les orientations de validation de la CBUAE exigent expressément l'examen des dérogations de notation et de la cohérence des données subjectives et des biais potentiels.[10] Le prêteur peut fixer des déclencheurs de reporting, un examen indépendant d'échantillons et des limites, avec suspension temporaire lorsque la performance des dérogations dépasse sensiblement la perte approuvée.

Les fréquences et les taux de perte sont des hypothèses analytiques hypothétiques et ne décrivent ni un prêteur ni un modèle.

13. Surveiller la dérive des données, des scores, des décisions et des résultats

Une dérive se produit lorsque la production diffère du développement ou de périodes approuvées antérieures. La dérive des données modifie les distributions ou la couverture des données d'entrée. La dérive de concept modifie la relation entre les données d'entrée et le défaut. La dérive de politique modifie les seuils, les règles ou le comportement humain. La dérive des résultats modifie les impayés, les recouvrements ou les pertes. Le prêteur doit surveiller les quatre, car une distribution de scores stable peut coexister avec une détérioration de la trésorerie.

L'indice de stabilité de la population, la stabilité des caractéristiques, la proportion de valeurs manquantes, l'évolution des catégories et la distance de distribution peuvent soutenir la surveillance des données. Les changements d'approbation, de refus, de tarification et de limite par bande de score soutiennent la surveillance des décisions. La perte observée par rapport à la perte attendue, les taux de migration, les courbes de vintage et le recouvrement soutiennent la surveillance des résultats. Les indicateurs doivent être présentés par produit, cohorte, canal, zone géographique et source de données importante.

Les seuils nécessitent une réponse approuvée. Un avertissement peut déclencher une enquête et un reporting renforcé. Un dépassement peut restreindre les nouveaux octrois, augmenter les réserves, réduire le taux d’avance, passer à un mécanisme de repli ou exiger un recalibrage et une validation. La réponse doit tenir compte de la taille de l’échantillon et de la saisonnalité plutôt que de s’appuyer sur une statistique isolée.

Le tableau de bord ci-dessous utilise des valeurs hypothétiques pour illustrer la gouvernance. Il ne fournit pas de seuils universels. Chaque institution doit calibrer les déclencheurs en fonction de la variabilité historique vérifiée, du risque de portefeuille et des exigences réglementaires.

Les scores sont des hypothèses analytiques hypothétiques sur une échelle de suivi allant de un à cinq et ne constituent pas des limites universelles.

14. Tester la performance au travers de chocs macroéconomiques et locaux

Les portefeuilles de crédit des marchés émergents peuvent être exposés à l’inflation, à la dépréciation monétaire, aux prix des matières premières, aux événements climatiques, aux conflits, aux changements de politique, aux interruptions de plateforme et aux chocs de l’emploi local. Les données de développement peuvent comporter peu de périodes comparables. Un modèle peut rester statistiquement stable alors que la capacité de remboursement des emprunteurs évolue sous l’effet de variables qu’il n’observe pas.

Les tests de résistance doivent combiner les canaux du modèle et du portefeuille. Les données d’entrée peuvent être soumises à des chocs lorsqu’une relation défendable existe ; les seuils de politique et les résultats de trésorerie doivent également être testés directement. Le prêteur peut appliquer des taux de transition plus élevés, des taux de guérison plus faibles, des recouvrements retardés, des revenus plus faibles, un coût de refinancement plus élevé et des indisponibilités de données par cohorte et par zone géographique. Les scénarios doivent inclure des effets corrélés et des contraintes opérationnelles.

La recherche de la BRI sur AI et le prêt relationnel a constaté que l’investissement dans AI soutenait l’offre de crédit en période normale dans l’échantillon étudié, sans toutefois apporter de crédit supplémentaire ni de protection contre les taux d’intérêt pendant la crise de la Covid.[4] Ce résultat dépend du contexte et illustre pourquoi il ne faut pas présumer que la performance en période normale perdure lors d’un nouveau choc.

Le dossier de la transaction doit comparer les pertes et la liquidité en scénario de stress aux marges de manœuvre en capital, en réserves et au titre de la facilité. La confiance dans le modèle devrait diminuer, et non augmenter, lorsque le choc sort de l’expérience de développement.

15. Rapprocher le suivi du modèle de la comptabilité du portefeuille et des flux de trésorerie

Les rapports de suivi utilisent souvent des libellés de retard ou de défaut produits dans le système de prêt. Le prêteur doit rapprocher ces libellés des échéanciers contractuels, des reçus bancaires, du grand livre, des provisions, des radiations et des recouvrements. Un modèle peut sembler calibré si les arriérés sont restructurés, reportés ou passés en perte en dehors des données de performance.

Le rapprochement doit préserver les échéanciers d’origine et révisés, les radiations brutes et nettes, le règlement, la guérison, le coût et le calendrier des recouvrements. Les vues du compte et de l’exposition doivent être présentées ensemble. La perte doit être attribuée à la version du modèle et à la politique en vigueur au moment de l’octroi, les actions de gestion de prêt ultérieures étant enregistrées séparément.

Les modèles de capital et de facilité peuvent utiliser des mesures de perte attendue, de perte inattendue, de concentration ou de stress différentes de la cible du modèle. Le tableau de passage doit indiquer chaque définition et montrer comment les bandes de scores éclairent la probabilité de défaut, la perte en cas de défaut, l’exposition, la réserve ou le taux d’avance. Les transformations non étayées constituent une lacune en matière de financement.

Les ajustements de données doivent être contrôlés et déclarés. Le cadre de gouvernance d’entreprise de Bâle souligne la responsabilité du conseil en matière de qualité des données et les limites des modèles et des données d’entrée externes.[8] Le rapprochement rend cette responsabilité observable.

16. Attribuer les responsabilités au conseil d'administration, à la direction et aux fonctions de contrôle

L'organe de gouvernance devrait approuver l'utilisation significative de AI, l'appétit pour le risque et les responsabilités. La direction générale devrait être responsable de la mise en œuvre, des ressources, des compétences, du suivi et des mesures correctives. Les équipes de crédit, de risque, de conformité, de données, de technologie, de sécurité, de juridique, d'audit interne et métier doivent disposer de rôles définis et d'une contestation indépendante.

Le responsable du modèle ne devrait pas approuver la validation indépendante. Un comité des modèles peut examiner le développement, les modifications, la performance, les dérogations et le retrait. Un comité de crédit devrait conserver l'autorité sur la politique de crédit et le risque de portefeuille. Les enjeux significatifs devraient être escaladés au conseil d'administration ou au comité des risques du conseil d'administration selon des seuils définis.

Les lignes directrices de la CBUAE sur les technologies habilitantes rendent l'organe de gouvernance et la direction générale responsables des résultats et exigent des spécialistes techniques et de crédit dûment qualifiés.[9] Le rapport 2025 de l'Autorité prudentielle sud-africaine et de l'Autorité de conduite du secteur financier recommande une gouvernance globale, une gouvernance des données, une gestion du risque de modèle et une supervision au niveau du conseil d'administration.[21]

Le prêteur devrait examiner les procès-verbaux, les contestations, les décisions et la clôture des constats plutôt que d'accepter un organigramme. La gouvernance devient finançable lorsque l'autorité modifie les comportements, le financement et le déploiement.

17. Exiger une validation indépendante avec des preuves reproductibles

La validation indépendante devrait examiner la solidité conceptuelle, les données, le code, la mise en œuvre, l'utilisation, la performance, les limites et les résultats. L'indépendance peut être organisationnelle ou obtenue au moyen d'un examen externe, à condition que le validateur dispose d'un accès, des compétences et d'une indépendance à l'égard des incitations au développement. Le caractère significatif devrait déterminer la profondeur et la fréquence.

La validation devrait reproduire des échantillons, confirmer la construction de la cible, tester les fuites de données, comparer aux références, examiner le réglage et la sélection, réaliser des tests hors période et par segment, évaluer la calibration, l'équité, les explications, les dérogations, le stress, la dérive et les solutions de repli. La validation de la mise en œuvre devrait confirmer que le code approuvé, les transformations, les seuils et les données fonctionnent en production.

Le validateur devrait indiquer les constats, leur gravité, les contrôles compensatoires et les conditions d'utilisation. Un modèle présentant un constat critique non résolu ne devrait pas bénéficier du même traitement au titre des fonds propres ou d'une facilité qu'un modèle entièrement validé. Les mesures correctives devraient être retestées par une partie indépendante.

Les normes de la CBUAE identifient la stabilité, le pouvoir discriminant, la sensibilité, la calibration, la gouvernance, les dérogations, la documentation et les données comme domaines de validation.[10][11] Le rapport de validation devrait être remis au prêteur dans le cadre de conditions de confidentialité, avec suffisamment de détails pour permettre une évaluation indépendante.

Tableau 3. Programme de tests de validation indépendante

La portée et la fréquence doivent suivre la matérialité du modèle, la juridiction et le risque de portefeuille.

18. Examiner avec diligence les modèles des fournisseurs et les dépendances technologiques concentrées

Un fournisseur peut fournir des scores, des données, des caractéristiques, du code, de l’hébergement ou de la surveillance. L’institution réglementée et le prêteur restent exposés au risque de modèle et de continuité même lorsque la propriété intellectuelle est externe. L’équipe de due diligence devrait identifier quels droits en matière de preuves, d’audit, de validation et de modification existent au titre du contrat.

Le contrat devrait couvrir l’utilisation des données, la propriété, la confidentialité, la sécurité, les modifications du modèle, la performance, les niveaux de service, la notification d’incident, la sous-traitance, l’accès des autorités de régulation, l’accès du prêteur lorsque requis, la résiliation, la transition et la conservation des documents. Un service en boîte noire peut limiter la capacité de l’institution à expliquer les décisions ou à reproduire les scores historiques. Les droits d’accès contractuels doivent être testés au regard des pratiques réelles du fournisseur.

La concentration peut survenir lorsque de nombreux prêteurs utilisent le même agrégateur de données, service cloud ou modèle. Une modification ou une panne commune peut affecter simultanément plusieurs portefeuilles. Les pratiques saines proposées par le FSB incluent le risque lié aux tiers, le cyberrisque et le risque technologique.[1] Le NIST traite également des logiciels, du matériel et des données de tiers tout au long du cycle de vie.[19]

Le dossier de financement devrait inclure le délai de remplacement, la portabilité des données, l’exploitation en parallèle et un mécanisme de repli. Une résiliation de fournisseur qui empêche l’octroi de crédit devrait constituer un scénario de liquidité et de continuité d’activité.

19. Protéger la vie privée, la sécurité et les recours des emprunteurs

Les modèles de crédit peuvent traiter des informations sensibles de nature financière, comportementale et relative aux appareils. L’institution ne devrait collecter que les données nécessaires à une finalité approuvée, les protéger, les conserver pendant une durée justifiée et accorder aux emprunteurs les droits applicables d’accès, de rectification et de réexamen. Le consentement doit être éclairé lorsqu’il est invoqué et ne doit pas masquer une collecte inutile.

La diligence de sécurité devrait cartographier les données au repos et en transit, les identités, les accès privilégiés, le chiffrement, les clés, les journaux, les environnements de développement, les artefacts de modèle, les sauvegardes et les fournisseurs. L’extraction de modèle, l’empoisonnement des données, les entrées adversariales et les modifications non autorisées des caractéristiques devraient être intégrés au modèle de menace. Les incidents devraient être rattachés aux décisions et aux emprunteurs concernés.

Les orientations de la Banque mondiale sur l’accès financier responsable mettent l’accent sur la protection des consommateurs en finance numérique et la supervision fondée sur les risques.[15] Le cadre de la RBI exige une politique de confidentialité claire, un stockage limité chez le prestataire de services et une surveillance exercée par l’entité réglementée.[12][13] La réglementation du Kenya exige la confidentialité et le traitement des réclamations.[14]

Le prêteur devrait exiger la notification des incidents importants liés aux données, à la sécurité ou au traitement des emprunteurs, avec les mesures correctives et l’impact financier. Les recours des emprunteurs favorisent à la fois la conformité juridique et la qualité des données de crédit, car des dossiers corrigés améliorent les décisions futures.

20. Établir une matrice réglementaire propre à chaque juridiction

Les marchés émergents diffèrent en matière de licences, de protection des consommateurs, de décisions automatisées, de localisation des données, de déclaration aux bureaux de crédit, d’externalisation, de normes relatives aux modèles et d’accès des autorités de supervision. Une plateforme régionale ne devrait pas supposer qu’un modèle et un flux de consentement uniques peuvent être déployés sans modification. Le périmètre juridique et opérationnel devrait être cartographié par pays, produit, emprunteur et entité.

Le UAE dispose de normes en vigueur en matière de gestion des modèles et de technologies habilitantes couvrant la gouvernance, les données, la validation et les contrôles du cycle de vie.[9][10][11] L’Inde impose aux prestataires de services des exigences concernant la responsabilité de l’entité réglementée, le consentement, la piste d’audit et les contrôles du prêt numérique.[12][13] Le Kenya autorise et supervise les fournisseurs de crédit numérique et réglemente l’utilisation des informations de crédit ainsi que la protection des clients.[14] Les lignes directrices du Nigeria sur l’open banking incluent une gouvernance des données approuvée par le conseil et la prise en compte des systèmes algorithmiques.[22]

La matrice devrait identifier les exigences d’approbation, de notification, de documentation, d’explication, de transfert de données, de conservation, d’audit et de réclamation. Les modifications devraient être sous contrôle de version et liées à la configuration du système. Les conseils locaux et les régulateurs peuvent devoir confirmer l’interprétation.

Une juridiction dépourvue de règles prescriptives AI exige tout de même la conformité en matière de crédit, de données, de conduite, d’externalisation et de gouvernance. Le prêteur devrait intégrer l’incertitude dans sa tarification et exiger des preuves plutôt que de considérer le silence réglementaire comme une autorisation.

21. Convertir les preuves issues des modèles en jalons d’éligibilité au capital

L’éligibilité au capital signifie que l’exposition d’un prêteur ou d’un investisseur bénéficie de la disponibilité, du taux d’avance, de la réserve, de la tarification ou du traitement de portefeuille convenus parce que les preuves spécifiées sont présentes. Le jalon ne devrait pas dépendre d’un libellé de fournisseur ou d’une mesure technique. Il devrait combiner des contrôles juridiques, de données, de modèle, de portefeuille et opérationnels.

Le premier jalon confirme les droits, l’inventaire, la gouvernance et la reproductibilité. Le deuxième confirme la validation indépendante, le gain par rapport à la référence et la calibration. Le troisième confirme la mise en œuvre en production, les explications, les dérogations et la surveillance. Le quatrième confirme les pertes réalisées sur des cohortes matures et la performance en scénario de stress. Le cinquième confirme la conformité continue, l’accès des fournisseurs, le plan de repli et le reporting des covenants.

Un modèle peut franchir certains jalons et recevoir un traitement limité. Les cohortes non matures peuvent avoir des taux d’avance plus faibles ou des réserves plus élevées. Une violation peut suspendre la nouvelle éligibilité tandis que les expositions existantes s’amortissent dans le cadre d’une gestion contrôlée. Le rétablissement devrait exiger une correction vérifiée et une validation indépendante.

Le schéma hypothétique des jalons ci-dessous montre un accès progressif au capital. Les pourcentages sont des hypothèses analytiques et ne représentent pas des conditions de marché. Le traitement réel dépend de preuves vérifiées, de la structure juridique et de l’appétit pour le risque.

Les taux d’avance sont des hypothèses analytiques et ne représentent pas des conditions de prêteur ni des cotations de marché.

22. Intégrer le risque de modèle dans la structure de la facilité et les covenants

Les documents de facilité devraient définir les prêts éligibles, les versions de modèle, les produits approuvés, les exigences en matière de données, la concentration, l’ancienneté, les arriérés, la restructuration, la fraude et la documentation. L’éligibilité soutenue par des modèles peut être subordonnée à la validation, à la surveillance et à l’accès. L’emprunteur ne devrait pas modifier un modèle, un seuil ou une politique importants sans préavis convenu et, le cas échéant, sans approbation.

Le reporting peut inclure la distribution des scores, les approbations, les dérogations, la couverture des données, la dérive, les pertes observées par rapport aux pertes attendues, la performance des millésimes, les indicateurs d’équité ou de conduite, les incidents et les conclusions de validation. Les déclencheurs devraient avoir des actions définies : reporting renforcé, réserve, réduction du taux d’avance, suspension, remédiation ou plan de repli. La matérialité et les périodes de régularisation exigent une rédaction prudente.

Le contrôle des liquidités reste essentiel. Un modèle ne peut pas remplacer la propriété des créances, leur opposabilité, les encaissements contrôlés, le rapprochement de la base d’emprunt, la liquidité et le capital. La facilité devrait relier le risque de modèle à l’architecture de crédit ordinaire.

Le prêteur devrait disposer de droits d’audit et d’accès suffisants pour vérifier les éléments probants tout en protégeant les données de l’emprunteur et la propriété intellectuelle du fournisseur. Des experts indépendants peuvent appuyer les examens sensibles dans le cadre d’accords de confidentialité convenus.

Tableau 4. Covenant relatif au risque de modèle et cadre de reporting

Les conditions sont indicatives et nécessitent des conseils juridiques et réglementaires propres à la transaction.

23. Appliquer le cadre à la due diligence de la transaction et des prêteurs

Un investisseur ou un prêteur doit demander l'inventaire des modèles, les politiques, la cartographie des données, les contrats, les dossiers de développement, la validation, les journaux de production, les registres de décisions, les données détaillées du portefeuille, le rapprochement de trésorerie et comptable, les réclamations, les incidents, la correspondance avec le régulateur et les procès-verbaux de comité. Les présentations de la direction doivent être confrontées aux documents sources et à des échantillons reproduits de manière indépendante.

Le registre des anomalies de due diligence doit relier chaque constat à la valeur, à la structure de crédit, à la condition de closing, au covenant, au responsable de la remédiation et au suivi. Un modèle qui améliore l'approbation mais ne dispose pas de droits durables sur les données peut réduire la valeur. Un modèle avec un gain modeste et une gouvernance solide peut soutenir un capital maîtrisé. La conclusion doit indiquer le mécanisme et les éléments de preuve.

Les protections de la transaction peuvent inclure des conditions de validation, de consentement sur les données ou le fournisseur, de remédiation, de séquestre, d'indemnisation et de retenue. La valorisation doit déduire l'investissement requis et utiliser la contribution et la perte vérifiées. La valeur future du modèle doit être reconnue au moyen de jalons plutôt que de déclarations non étayées.

La revue doit inclure la capacité de l'institution à fonctionner si le modèle est indisponible. Un dispositif de secours manuel et maîtrisé ou une grille de notation simplifiée protège les emprunteurs, le recouvrement et la trésorerie du prêteur en cas de panne ou de contestation.

24. Exécuter un plan de financement à 100 jours

Les 30 premiers jours doivent figer l'inventaire, la traçabilité des décisions, les droits sur les données, les versions des modèles, les constats de validation, le rapprochement du portefeuille et les incidents critiques. L'institution doit geler les modifications non autorisées et établir la gouvernance, la responsabilité des anomalies et le reporting aux prêteurs. Les cohortes à haut risque ou non étayées peuvent faire l'objet de limites temporaires.

Les jours 31 à 60 doivent reproduire la performance, recalibrer lorsque cela est justifié, tester les explications et les dérogations, combler les lacunes de données, valider la production, établir des seuils de dérive et réaliser des exercices de secours. Les actions juridiques, de confidentialité, de sécurité et liées aux fournisseurs doivent avancer en parallèle avec des dépendances maîtrisées.

Les jours 61 à 100 doivent tester les contrôles remédiés, constituer l'historique de performance des nouvelles cohortes, mettre en œuvre des seuils de capital et des covenants, confirmer le recours contre les emprunteurs et obtenir une assurance indépendante. L'expansion doit suivre des résultats vérifiés plutôt que le calendrier.

Chaque initiative doit avoir un responsable, des preuves, un coût, un point de décision et un risque résiduel accepté. Le plan doit présenter les résultats en matière de trésorerie et pour les emprunteurs en parallèle de l'achèvement technique.

Tableau 5. Plan illustratif de finançabilité du modèle à 100 jours

Le calendrier doit suivre le risque, la maturation du portefeuille, les exigences réglementaires et la préparation opérationnelle.

25. Un cadre de décision pour le comité d'investissement

Le comité d'investissement doit recevoir une réponse articulée à six questions. L'institution a-t-elle le droit d'utiliser et de continuer à recevoir chaque donnée d'entrée significative ? Le modèle et la décision peuvent-ils être reproduits ? La performance dépasse-t-elle une référence transparente hors période et par segment ? La probabilité est-elle calibrée sur la perte en trésorerie réalisée ? Les explications, les dérogations, l'équité, la dérive et les solutions de repli sont-elles encadrées ? La facilité transforme-t-elle ces contrôles en seuils de capital opposables ?

La recommandation doit distinguer les éléments de preuve vérifiés, les points en suspens et les hypothèses analytiques hypothétiques. Chaque constat significatif doit avoir une incidence sur la valeur, le taux d'avance, la réserve, le covenant, la condition, la surveillance ou la décision d'arrêt. Un score technique de modèle ne doit jamais être isolé dans une conclusion d'investissement.

AI Les modèles de crédit peuvent élargir l'information et soutenir l'inclusion lorsque les dossiers formels sont limités. Leur valeur devient durable lorsque les droits sur les données, la validation, la politique, les opérations et les résultats de trésorerie restent reliés tout au long du cycle de vie. Une gouvernance finançable rend ce lien visible pour les emprunteurs, la direction, les régulateurs et les apporteurs de capitaux.

Le dossier de preuves le plus solide est reproductible. Un évaluateur doit pouvoir passer d'un résultat de facilité ou de valorisation à la performance de la cohorte, aux traces des décisions, à la version du modèle, aux données d'entrée, aux consentements, aux contrats et à la trésorerie réalisée. Cette chaîne soutient une mise à l'échelle responsable et protège le capital lorsque les conditions changent.

Références

1. Conseil de stabilité financière, Pratiques saines pour une adoption responsable de l'intelligence artificielle : rapport de consultation, 10 juin 2026, https://www.fsb.org/2026/06/fsb-consults-on-sound-practices-for-the-responsible-adoption-of-artificial-intelligence-ai/
2. Conseil de stabilité financière, Les implications de l'intelligence artificielle pour la stabilité financière, 14 novembre 2024, https://www.fsb.org/2024/11/the-financial-stability-implications-of-artificial-intelligence/
3. Banque des règlements internationaux, L'intelligence artificielle et l'économie : implications pour les banques centrales, Rapport économique annuel 2024, https://www.bis.org/publications/aer-2024/artificial-intelligence-economy-implications-central-banks
4. Banque des règlements internationaux, L'intelligence artificielle et le prêt relationnel, Document de travail n° 1244, 19 février 2025, https://www.bis.org/publications/working-paper-1244-artificial-intelligence-and-relationship-lending
5. Centre d'innovation de la BRI, Projet Noor, https://www.bis.org/project/noor
6. Banque des règlements internationaux, Réglementation et supervision du secteur financier à l'ère de l'intelligence artificielle, 20 mai 2026, https://www.bis.org/speeches/20260520-regulation-and-supervision-financial-sector-age-artificial-intelligence
7. Comité de Bâle sur le contrôle bancaire, Principes pour la gestion du risque de crédit, 2025, https://www.bis.org/bcbs/publ/d595.pdf
8. Comité de Bâle sur le contrôle bancaire, Principes de gouvernance d'entreprise pour les banques, cadre consolidé, https://www.bis.org/committees/bcbs/basel-consolidated-guidelines/module/cgo/10
9. Banque centrale de UAE, Lignes directrices pour les institutions financières adoptant des technologies habilitantes : analyse des mégadonnées et intelligence artificielle, https://rulebook.centralbank.ae/sites/default/files/en_net_file_store/CBUAE_EN_2413_VER1.pdf
10. Banque centrale de UAE, Normes de gestion des modèles : suivi et validation, https://rulebook.centralbank.ae/en/rulebook/211-monitoring-and-validation
11. Banque centrale des UAE, Normes de gestion des modèles, https://rulebook.centralbank.ae/en/rulebook/model-management-standards
12. Banque de réserve de l'Inde, Lignes directrices sur le prêt numérique, 2 septembre 2022, https://systemhealth.rbi.org.in/Scripts/NotificationUser.aspx_Id%3D12382%26Mode%3D0.html
13. Banque de réserve de l'Inde, Manuel des réglementations en un coup d'œil, 2025, https://website.rbi.org.in/documents/d/rbi/handbookg27022025d0f3f53f5d3c4310a6bb2f8ac2175d3a
14. Banque centrale du Kenya, Règlement de 2022 sur les fournisseurs de crédit numérique, https://www.centralbank.go.ke/wp-content/uploads/2022/03/L-.N.-No.-46-Central-Bank-of-Kenya-Digital-Credit-Providers-Regulations-2022.pdf
15. Banque mondiale, Ressources sur l'accès financier responsable et la protection des consommateurs financiers, https://responsiblefinance.worldbank.org/en/responsible-finance
16. Société financière internationale, Décrypter le code du crédit : données alternatives et AI pour l'inclusion financière, 2026, https://www.ifc.org/en/insights-reports/2026/cracking-the-credit-code-alternative-data-and-ai-for-financial-inclusion
17. Société financière internationale, Services bancaires aux MPME à l'ère numérique, 2025, https://www.ifc.org/content/dam/ifc/doc/2025/msme-banking-in-the-digital-era.pdf
18. Partenariat mondial du G20 pour l'inclusion financière, Plan d'action pour le financement des MPME, 2025, https://www.ifc.org/content/dam/ifc/doc/2025/gpfi-action-plan-for-msme-financing.pdf
19. National Institute of Standards and Technology, Cadre de gestion des risques liés à l'intelligence artificielle 1.0, https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
20. Autorité bancaire européenne, Rapport de suivi sur l'utilisation de l'apprentissage automatique pour les modèles fondés sur les notations internes, 4 août 2023, https://www.eba.europa.eu/publications-and-media/press-releases/eba-publishes-follow-report-use-machine-learning-internal
21. Banque de réserve sud-africaine et Autorité de conduite du secteur financier, L'intelligence artificielle dans le secteur financier sud-africain, 24 novembre 2025, https://www.resbank.co.za/content/dam/sarb/publications/media-releases/2025/sarbfsca-ai-report/Artificial%20Intelligence%20in%20the%20South%20African%20Financial%20Sector%20Final.pdf
22. Banque centrale du Nigeria, Lignes directrices opérationnelles pour l’open banking au Nigeria, https://www.cbn.gov.ng/Out/2023/CCD/Operational%20Guidelines%20for%20Open%20Banking%20in%20Nigeria.pdf