Souscription pilotée par l'IA : Baishi Wu de Chime sur la transformation de données complexes en enseignements exploitables
Crédit, Point de vue18 déc. 2025
Baishi Wu dirige l'organisation cartes de Chime, qui couvre les produits de débit et de crédit, et collabore avec les équipes produit, risque de crédit et data science pour optimiser l'expérience client, de l'accès aux autorisations. Dans une récente interview avec le cofondateur et CPTO de Taktile, Maximilian Eber, Baishi emmène les auditeurs dans les coulisses de la souscription pilotée par l'IA chez Chime.
Il explique ce qui rend la souscription si unique chez Chime, comment l'équipe utilise aujourd'hui l'IA pour accélérer les décisions pour ses clients, et son point de vue sur la prochaine grande opportunité de l'IA en souscription.
La recette secrète de Chime pour la souscription de crédit
Baishi met en avant la détention de la relation de compte principal comme principal facteur de différenciation de Chime en souscription de crédit. Selon lui, lorsque vous êtes le compte sur lequel arrive 100 % des flux de trésorerie d'une personne, vous avez un avantage considérable sur les prêteurs qui n'en voient qu'une partie.
« Tant que vous restez la source des flux de trésorerie d'un client, vous êtes en mesure de souscrire plus efficacement que la plupart des acteurs du marché. »
Lorsque les prêteurs s'appuient sur les données des bureaux de crédit, ils n'accèdent qu'à un instant unique de l'historique d'un emprunteur. Les données de flux de trésorerie sont en constante évolution : l'équipe de Baishi les voit en temps réel et adapte ses décisions en continu. Il observe toutefois que les prêteurs commettent souvent l'erreur d'utiliser ces données comme un instantané :
« Quand on a traditionnellement examiné les données de flux de trésorerie sous l'angle de l'open banking, on a repris la logique d'utilisation des données de crédit pour l'appliquer aux flux de trésorerie : on regarde un instant précis, on consulte quelques transactions passées et on essaie de vous évaluer sur-le-champ.
Mais l'essentiel, avec les données de flux de trésorerie, c'est de les consulter aussi souvent que possible et d'alimenter vos décisions de façon continue. »
Décider quand les clients passent au niveau de crédit supérieur
L'accès de Chime à des données clients continues est un énorme avantage stratégique. Mais il ajoute aussi de la complexité lorsqu'il s'agit d'ajuster les plafonds de crédit des clients tout au long de leur parcours.
« Ce n'est pas un simple test A/B où un instant unique détermine ce qu'il faut faire dans la durée. »
Lorsque Chime veut élargir l'accès au crédit, l'équipe de Baishi a recours aux tests champion-challenger pour voir si elle peut proposer davantage aux clients qui n'y auraient normalement pas droit.
Cela paraît simple.
Mais chez Chime, les clients ne sont pas des emprunteurs ponctuels ; ce sont des utilisateurs récurrents, dont les besoins et la situation évoluent en permanence. « Ce n'est pas un simple test A/B où un instant unique détermine ce qu'il faut faire dans la durée », explique Baishi. « C'est une série de tests fondés sur des ancienneté et des expériences variées, ce qui rend l'ensemble beaucoup plus complexe.
Mais au fond, ce processus suit un modèle champion-challenger, dans lequel nous cherchons à repousser les limites de ce que nous pouvons offrir à nos clients. »
Accélérer les décisions de crédit avec l'IA face à des données complexes
Face à une telle masse d'informations complexes à analyser, Baishi a vu l'IA accélérer la capacité de son équipe à transformer des données brutes en enseignements exploitables.
D'abord, l'IA peut décloisonner les données entre les équipes transverses. Auparavant, les équipes risque de crédit, data science, finance et produit travaillaient parfois avec des informations distinctes et condensées. Avec l'IA, chaque équipe peut accéder à la vision d'ensemble et décider plus vite en toute confiance, quel que soit son niveau d'expertise technique.
Ensuite, l'IA peut faire office d'« analyste risque clé en main », capable de transformer rapidement des données en enseignements utilisables lorsqu'elle est associée au jugement humain.
« Quand vous avez un jeu de données difficile à exploiter, vous pouvez laisser l'IA le résumer rapidement et assembler les pièces. Vous ajoutez ensuite votre jugement humain pour décider de ce qui est réellement significatif. Vous pouvez ainsi beaucoup plus vite prendre des jeux de données dont vous ne savez pas s'ils valent votre temps, en tirer un enseignement et décider s'ils peuvent aider à freiner le risque. »
La plus grande opportunité d'automatisation par l'IA en souscription de crédit
Pour l'avenir, Baishi voit dans la validation de modèles la plus grande opportunité d'automatisation par l'IA en souscription. Élaborer une politique de crédit n'est qu'une partie du processus ; s'assurer que le modèle fonctionne correctement et qu'il est conforme est ce qui prend réellement beaucoup de temps.
Si vous déployez plus de trente variables, explique Baishi, il faut produire une documentation pour chacune d'elles. Selon lui, l'IA peut automatiser une plus grande part de ce processus de gouvernance :
« Vous pouvez concevoir un modèle de crédit selon la manière dont vous pensez qu'il devrait réellement fonctionner, puis automatiser le processus de gouvernance avec l'IA. Moins de travail fastidieux entre les deux, et plus de dialogue direct entre le risque et la conformité. »
L'idée est qu'une fois la gouvernance automatisée par l'IA, les équipes peuvent se concentrer sur l'innovation.
« Créer une politique qui s'améliore avec le temps demande beaucoup d'efforts et est vraiment complexe. Avec l'IA, vous pouvez réellement accélérer le rythme auquel nous créons de nouvelles idées dans ce domaine. C'est la vraie façon de gagner : pouvoir se concentrer sur le travail important et critique, et rendre beaucoup plus facile le travail qui consiste à cocher des cases. »