Récap du panel Money20/20 Vegas : ChatGPT sait écrire, mais l'IA sait-elle souscrire ?

La semaine dernière, j'ai eu le plaisir de débattre des défis et des possibilités de l'intelligence artificielle (IA) dans la souscription de crédit à Money20/20 Vegas, aux côtés de trois leaders du secteur :

• Sarah Hinkfuss, partner chez Bain Capital Ventures, un fonds de capital-risque qui investit dans des entreprises ambitieuses en phase de croissance dans la fintech, les logiciels applicatifs et les climate tech.
• Matt Mollison, Chief Data Scientist et Machine Learning Architect chez Branch International, l'un des plus grands acteurs mondiaux du microcrédit.
• Seema Amble, partner chez Andreessen Horowitz, un fonds de capital-risque mondial qui investit dans l'avenir des logiciels B2B et de la fintech.

Voici les principaux enseignements de notre discussion :

1. En raison de son manque de précision et de son niveau de risque, ChatGPT ne remplacera pas de sitôt les modèles de risque existants des souscripteurs

ChatGPT est un produit d'OpenAI, l'une des principales entreprises d'IA au monde. C'est une interface qui permet aux utilisateurs de soumettre des requêtes ou de dialoguer avec le grand modèle de langage (LLM) d'OpenAI, GPT-4. Comme GPT-4 est entraîné sur une quantité colossale de données (en substance, l'intégralité de l'internet public), il contient énormément de connaissances et, par nature d'IA générative, il est capable de créer du contenu inédit.

Cependant, l'IA générative, telle qu'utilisée dans ChatGPT, n'est qu'une sous-catégorie de l'IA et ne représente pas tous les algorithmes d'IA. Les algorithmes d'IA et de machine learning sont utilisés en souscription depuis des années, bien avant la sortie de ChatGPT.

À mon avis, ChatGPT ne remplacera pas de sitôt les modèles de risque que les prêteurs utilisent actuellement. En revanche, je suis très optimiste quant à la capacité du machine learning, en général, à rendre les décisions de risque plus précises.

Sarah a confirmé que, les LLM comme ChatGPT étant entraînés sur des données publiques et n'ayant jamais vu de données privées de défaut de paiement, prendre des décisions de souscription avec ChatGPT serait très imprécis et risqué.

Matt a souligné que les décisions de souscription ne peuvent pas non plus être prises dans une boîte noire. Il faut comprendre les raisons de ces décisions pour rester véritablement maître de sa logique de décision.

Les praticiens responsables du machine learning doivent pouvoir comprendre les facteurs qui influencent les prédictions du modèle. Il faut garder le contrôle du modèle et de ses données d'entraînement. Les modèles comme ceux utilisés dans ChatGPT apprennent à partir de vastes données historiques, qui contiennent souvent des biais – ce qui peut entraîner une non-conformité aux réglementations, selon votre contexte d'activité.

2. ChatGPT a bien le pouvoir d'améliorer la précision et l'efficacité des modèles de risque

Matt a expliqué que, s'il est trop risqué d'utiliser ChatGPT pour prendre des décisions de souscription, il peut servir d'outil pour atteindre des performances surhumaines.

Je suis d'accord : ChatGPT peut être très puissant pour créer de nouveaux signaux et de nouvelles variables et rendre les modèles de risque plus précis. J'ai déjà vu plusieurs clients exploiter la puissance de LLM comme ChatGPT pour interpréter et catégoriser des transactions bancaires.

Auparavant, chez Taktile, nous avions dû recruter 15 étudiants salariés pour aider un prêteur à étiqueter ses données de transactions bancaires. Nous avons maintenant comparé les résultats, et ChatGPT atteint une précision presque équivalente.

Matt a expliqué que ChatGPT excelle dans l'analyse du langage humain. Comme dans l'exemple des transactions bancaires, Branch peut fournir au LLM un ensemble de données non structurées en langage naturel, avec des consignes pour étiqueter différents types de SMS, ce qui permet d'accomplir rapidement une tâche fastidieuse.

Seema a également souligné la valeur de ChatGPT côté client. Il peut aider à guider les clients dans le processus de demande de prêt (le sens des termes et où trouver les données à fournir), répondre aux questions sur une décision de crédit et assurer un accompagnement continu côté ventes et prospection.

La vraie force de ChatGPT, c'est qu'on peut y injecter des données privées – même si on ne l'utilise pas spécifiquement pour des décisions de souscription.

3. En dehors des LLM, l'IA reste extrêmement puissante pour prédire le risque de crédit

Matt a expliqué que, dans les marchés émergents, il est prouvé que les modèles d'IA améliorent la précision pour les prêteurs, et que Branch les utilise depuis des années pour opérer à grande échelle sur ses marchés.

Branch opère sur des marchés dont l'infrastructure d'information est moins étendue qu'aux États-Unis ; l'entreprise doit donc s'appuyer fortement sur des sources de données alternatives.

Au lieu de se fier aux scores des bureaux de crédit traditionnels pour prédire le risque, Matt a expliqué qu'ils entraînent en interne des modèles de machine learning pour prédire le risque associé à l'octroi d'un prêt d'un montant donné à un client.

Comme l'ont noté Sarah et Seema, il existe des différences marquées entre le crédit aux particuliers et le crédit aux entreprises. Dans les marchés développés, par exemple, il est difficile d'utiliser l'IA pour les décisions de souscription aux particuliers en raison des réglementations, mais elle peut être très utile pour la souscription aux entreprises, où la réglementation est moins lourde. Aux États-Unis, les prêteurs aux particuliers restent soumis à l'Equal Credit Opportunity Act, qui oblige les créanciers à expliquer les raisons précises de toute décision défavorable.

4. À mesure que l'usage de l'IA en souscription progresse, la réglementation qui l'encadre se renforce aussi – les prêteurs doivent se préparer dès maintenant aux changements à venir

L'IA est déjà largement utilisée en souscription, et nous nous attendons à ce que cet usage ne fasse qu'augmenter.

Avec le premier AI Act européen déjà en route, de nombreux prêteurs, même ceux qui n'emploient pas l'IA au sens strictement technique, devront adapter leurs opérations pour se conformer à la fois à la réglementation bancaire et à celle sur l'IA, et la conformité pourra être exigée hors de l'UE pour quiconque utilise des modèles d'IA ou des résultats générés dans un pays de l'UE. Les prêteurs doivent donc commencer à se préparer dès maintenant aux changements à venir.

Pour approfondir ce sujet, consultez notre article sur l'avenir de la souscription de crédit face à la réglementation de l'IA.