AI Field Notes : la plus grande opportunité de l'IA dans la souscription de crédit aux entreprises se cache-t-elle dans le « peut-être » ?

Pendant des années, une grande partie des frictions de la souscription de crédit aux entreprises est venue de la difficulté à amener les dossiers ambigus au point où les analystes peuvent prendre une décision de crédit en confiance. L'effort manuel qui sous-tend ces décisions nuancées peut coûter en efficacité aux équipes crédit et contribuer à l'abandon des clients. Mais les récentes avancées de l'IA agentique commencent à changer la donne.

Davantage d'informations contextuelles, difficiles à structurer, qui faisaient traditionnellement intervenir très tôt les souscripteurs expérimentés, peuvent désormais être examinées, comparées et analysées avant même qu'ils aient à intervenir.

Pour les prêteurs, l'opportunité immédiate n'est pas simplement d'automatiser davantage d'acceptations ou de refus. C'est de réduire l'investigation manuelle nécessaire pour trancher le « peut-être » : les dossiers où un contexte supplémentaire pourrait encore changer la décision. Une fois ce point résolu, les équipes crédit peuvent augmenter nettement leur volume de prêts tout en maîtrisant le risque.

Points clés

• La plus grande opportunité à court terme pour l'IA se trouve peut-être dans le « peut-être ». L'IA agentique peut analyser plus tôt les dossiers ambigus, réduisant le travail manuel nécessaire pour les préparer à une décision de crédit prise en confiance.
• Cela peut changer l'économie de l'investigation. Si les dossiers ambigus demandent moins de temps et d'efforts à comprendre, les prêteurs peuvent en évaluer davantage sans modifier leurs critères de crédit.
• L'IA agentique doit venir en complément des capacités de souscription existantes. Les règles peuvent traiter les signaux déterministes, les agents IA peuvent investiguer ce qui se cache derrière, et les souscripteurs peuvent se concentrer sur le jugement.
• Le bon seuil de revue humaine doit être testé, pas supposé. Les exécutions en mode fantôme et les tests côte à côte permettent de voir où l'IA est fiable et où l'expertise des souscripteurs apporte encore une vraie valeur.

Pourquoi le « peut-être » est là où l'IA agentique devient intéressante

L'automatisation traditionnelle du crédit est la plus performante là où le signal et la réponse sont déjà bien définis. Avec le temps, les données, les règles et les contrôles automatisés ont permis aux prêteurs d'identifier plus tôt les issues évidentes et de faire avancer efficacement les dossiers simples dans le processus.

Le plus difficile, c'est ce qui se passe quand le signal lui-même ne suffit pas pour conclure.

Ian Bradley, directeur des opérations (COO) de Breakout Finance, l'a récemment décrit à l'aide d'une simple analogie avec les feux de circulation :

« Les dossiers au feu rouge ou au feu vert sont en général plus faciles à trancher. Ce sont les dossiers au feu orange, ceux dont la réponse n'est pas encore évidente, qui demandent davantage de travail. Il faut passer du temps à comprendre ce qui rendrait le dossier un peu plus vert, ou quelles variables le rendent réellement plus rouge. »

Prenons un emprunteur dont le chiffre d'affaires est sorti de la fourchette attendue. Le signal peut être facile à repérer, mais la conclusion initiale peut être prématurée. Le plus difficile est de comprendre ce qu'il y a derrière : si la variation est temporaire ou structurelle, si l'explication de l'emprunteur est corroborée ailleurs dans le dossier, et quelles preuves supplémentaires pourraient modifier sensiblement l'analyse.

Ce contexte supplémentaire peut faire pencher la décision dans les deux sens. Un dossier d'abord faible peut devenir plus convaincant après une diligence plus poussée, tandis qu'une demande en apparence solide peut révéler des problèmes sous-jacents une fois les éléments examinés de plus près.

Historiquement, une grande partie de cette investigation revient au souscripteur. L'IA agentique peut désormais en prendre en charge davantage, plus tôt, en examinant des informations moins structurées, en comparant les éléments entre sources, en faisant ressortir les incohérences et en identifiant ce qui reste à éclaircir.

Pour les équipes, l'opportunité est de réduire le temps que les souscripteurs consacrent à rassembler les éléments nécessaires pour décider en confiance. Et dès lors que le coût de ce travail baisse, l'impact dépasse l'efficacité des souscripteurs.

Changer l'économie du « peut-être »

Certains emprunteurs coûtent cher à évaluer parce que le crédit lui-même est réellement complexe. D'autres demandent simplement beaucoup de travail pour être compris.

Cette distinction compte, en particulier dans le crédit aux petites entreprises. Un emprunteur peut finalement entrer dans l'appétence au risque du prêteur, mais plusieurs heures d'investigation manuelle peuvent tout de même rendre le dossier difficile à justifier.

C'est là que réduire le travail autour du « peut-être » commence à changer bien plus que les délais de traitement. Si l'IA permet d'obtenir plus vite et à moindre coût une vision claire d'un emprunteur ambigu, une investigation plus approfondie peut devenir viable dans des cas qui demandaient auparavant trop d'efforts manuels pour être justifiés.

Appliquer l'IA au « peut-être » ne doit pas signifier reconstruire la souscription de zéro

Point important : si les outils d'IA peuvent accélérer le travail d'investigation, ils ne doivent pas obliger les équipes à abandonner leurs processus, règles ou contrôles de souscription existants. Dans bien des cas, ces nouvelles solutions peuvent être intégrées au flux de travail existant, aux côtés des systèmes et capacités qui fonctionnent déjà bien.

À bien des égards, cela prolonge une transition que les équipes de crédit ont déjà vécue. Caitlyn Wagner, SVP Credit chez Breakout Finance, a rappelé que les arbres de décision automatisés ont déjà supprimé une grande partie du travail manuel lié à la collecte initiale et à la récupération courante des données. L'IA prolonge cette même progression vers un travail plus difficile à traduire en logique déterministe.

Reprenons le cas de la baisse de chiffre d'affaires évoqué par Ian. Voici comment le processus change dès que l'on ajoute l'IA au flux de travail :

• Une règle identifie le signal. Le chiffre d'affaires a baissé au-delà d'une fourchette attendue, ce qui déclenche une revue approfondie.
• L'IA investigue ce qui se cache derrière. Un agent peut comparer la performance récente et passée, examiner les informations complémentaires, rechercher les causes probables de la baisse et faire ressortir les éléments qui confirment ou contredisent l'explication initiale.
• Le workflow coordonne ce qui manque encore. Si un point important reste en suspens, le processus peut demander des éléments supplémentaires ou orienter le dossier vers la revue appropriée.
• Le souscripteur exerce son jugement. Au lieu de reconstituer le dossier depuis le début, il peut partir d'une question plus précise : compte tenu de ce qui a causé la baisse, de ce qui s'est passé depuis et des éléments disponibles, cela modifie-t-il sensiblement notre vision du risque ?

Cela peut aussi aider à dépasser une vision statique de l'emprunteur. Ian a décrit la différence comme le passage d'une « photo » à un « film » : le signal à un instant donné compte toujours, mais aussi ce qui s'est passé avant, ce qui s'est passé depuis, et si cette trajectoire change la façon de comprendre le risque.

C'est toujours le souscripteur qui porte le jugement de crédit. Ce qui change, c'est la quantité de travail d'investigation déjà réalisée avant que le dossier ne lui parvienne.

Plus largement, c'est une façon utile de penser l'application de l'IA à la souscription. Les données structurées continuent d'établir les faits connus. Les règles gèrent la politique déterministe. L'IA peut traiter les parties d'un dossier plus difficiles à structurer ou qui demandent une investigation supplémentaire. Le workflow coordonne la suite. Et l'expertise humaine peut rester concentrée sur les questions où le contexte, les arbitrages et l'expérience influencent réellement la réponse.

La valeur vient de l'utilisation conjointe de ces capacités, plutôt que d'un choix entre automatisation et humains pour la souscription.

Trouver le bon seuil de revue par les souscripteurs dans vos propres cas « peut-être »

La place de l'IA dans ce processus sera différente pour chaque prêteur. Un bon point de départ n'est pas de décider d'emblée ce que l'IA doit ou ne doit pas faire, mais de comprendre ce qui se passe réellement aujourd'hui dans vos cas « peut-être ».

Ventiler les renvois selon la raison pour laquelle ils nécessitent une intervention humaine rend l'opportunité plus facile à voir. Les équipes peuvent distinguer les dossiers qui demandent plus d'informations, une résolution par la politique déterministe, une investigation supplémentaire ou un véritable jugement de crédit, et identifier où la capacité de souscripteurs expérimentés est mobilisée avant que leur expertise ne soit réellement nécessaire.

À partir de là, le seuil peut être testé plutôt que supposé.

Une approche pratique consiste à faire tourner l'IA en parallèle du processus existant sur les mêmes dossiers. Identifie-t-elle les mêmes éléments pertinents ? Fait-elle ressortir les mêmes incohérences ? Passe-t-elle à côté d'un point important ? Et lorsque le dossier parvient finalement au souscripteur, dans quelle mesure modifie-t-il ou complète-t-il ce qui a déjà été préparé ?

Les exécutions en mode fantôme et les tests côte à côte permettent aux équipes de répondre à ces questions avant de modifier le flux de travail en production. Ils peuvent aussi mettre à nu des hypothèses sur les parties du processus de souscription qui exigent réellement de l'expertise et celles qui se sont simplement ancrées dans la façon dont le travail se faisait traditionnellement.

Ian a décrit cela comme une remise en question de la vision traditionnelle de la « recette secrète » d'un prêteur :

« La recette secrète, c'était tout ce qui se passait une fois qu'un dossier arrivait chez le souscripteur. Mais une grande partie de ce travail consiste en réalité à préparer le dossier. Si vous pouvez le séparer des parties qui exigent vraiment le jugement d'un souscripteur, vous pouvez décider beaucoup plus précisément du moment où il intervient. »

Cette distinction donne aux équipes quelque chose de concret à tester. Là où les souscripteurs découvrent régulièrement un contexte important que le système laisse passer, il y a de bonnes raisons de maintenir leur intervention. Là où l'investigation peut être menée de façon fiable par des règles et de l'IA sans dégrader la qualité du dossier, il peut être possible de déplacer davantage de ce travail en amont et de libérer de la capacité de souscription.

La frontière entre règles, IA, workflow et jugement humain continuera de bouger à mesure que la technologie progresse. L'objectif n'est pas d'aboutir à un modèle unique de souscription, mais de continuer à apprendre ce qu'il faut pour résoudre le « peut-être » et quelle capacité est la mieux placée pour chaque partie de ce travail.