Comment l’IA modernise le crédit aux côtés des anciens systèmes bancaires sans les remplacer

Toute intervention dans le système central d’une banque fait grimacer l’équipe d’ingénierie. Les solutions historiques sont rigides, si bien qu’une seule modification peut prendre un mois avant d’aboutir. Le crédit, l’une des principales sources de revenus d’une banque, en subit particulièrement les conséquences.

Quiconque a déjà livré une version sur le système central d’une banque connaît le scénario : un nouveau produit exige un nouveau niveau d’approbation, une liste de documents révisée, une règle de notation ajustée et un flux de reporting mis à jour, chaque élément touchant du code en service depuis des décennies.

Les nouveaux produits et les mises à jour sont donc reportés même lorsque tout le monde s’accorde sur leur nécessité : le risque d’une erreur a toujours dépassé celui de l’attente. Du moins, c’était le cas auparavant, car le retard face à l’évolution technologique est devenu aujourd’hui un risque bien plus grand.

Imaginons toutefois une plateforme de crédit distincte, configurée par l’IA et déployée aux côtés du système central. Les nouveaux parcours de crédit fonctionnent indépendamment et se connectent au système central par des intégrations. Les changements apportés à l’infrastructure de crédit deviennent ainsi une succession de petites versions testées, et les erreurs apparaissent pendant les essais avant d’atteindre un emprunteur réel. Cette approche pourrait-elle soulager les équipes d’ingénierie ?

La demande augmente plus vite que les systèmes historiques ne peuvent évoluer

Le marché des logiciels d’octroi de prêts devrait progresser à un taux annuel composé de 11,8 % jusqu’en 2030, selon The Business Research Company. À titre de comparaison, ce rythme est presque identique à celui du marché plus large des logiciels d’entreprise, d’après les prévisions de Technavio. Ce point mérite d’être retenu, car le crédit est généralement la partie la plus réticente au changement dans la pile technologique d’une banque.

Cette croissance tient notamment à la rigidité des systèmes centraux historiques, qui ralentit les changements dans le crédit. Les banques et les fintechs achètent de plus en plus d’outils leur permettant de lancer des produits de crédit autour du système central sans attendre des mois l’approbation d’une petite mise à jour.

Les équipes d’ingénierie savent qu’une seule erreur peut coûter très cher. En avril 2018, TSB Bank a migré les données de ses clients vers une nouvelle plateforme, qui est tombée en panne dès sa mise en service. Une part importante de ses clients a perdu l’accès aux services bancaires et la banque a subi de lourdes pertes. De nombreuses équipes d’ingénierie évoquent encore ce cas chaque fois qu’elles planifient une version du système central.

Dans le crédit, en outre, les erreurs atteignent directement le bilan. Un seuil d’approbation mal configuré accepte des prêts qui auraient dû être refusés ou écarte des emprunteurs qui remplissaient les critères. Dans les deux cas, les pertes ou le manque à gagner apparaissent en quelques semaines.

Comment l’IA crée un effet de levier dans le crédit

Les banques commencent généralement à intégrer l’IA par les usages les plus familiers et apparemment les plus sûrs : les chatbots et assistants de service dans l’interface client. Un prêteur qui ajoute un chatbot accepte pourtant un risque moins visible. Les modèles génératifs donnent parfois de mauvaises réponses avec une assurance totale. Dans l’enquête AI Impact Survey 2026 de Grant Thornton, seuls 18 % des dirigeants bancaires se déclaraient pleinement confiants dans leurs dispositifs de contrôle de l’IA.

Dans le crédit, l’effet de levier de l’IA vient de la rapidité avec laquelle un prêteur peut modifier tout ce qui entoure la décision de crédit. La décision elle-même reste confiée aux modèles de notation approuvés et aux comités de crédit.

La rapidité a toujours eu une valeur commerciale. Modifier l’infrastructure de crédit sur un système central historique demande de 12 à 18 mois de travail d’ingénierie, et les nouveaux lancements restent bloqués pendant toute cette période. Le remplacement complet du système central prend de trois à cinq ans. Pendant ce temps, les emprunteurs déposent leur demande ailleurs.

Le rapport 2026 de la Réserve fédérale sur les entreprises employeuses a constaté que la part des petites entreprises américaines demandeuses de crédit qui recherchaient un financement auprès de prêteurs fintech en ligne était passée de 17 % en 2020 à 29 % en 2025, nombre d’entre elles citant la rapidité des décisions comme motif.

L’IA part du besoin métier

Au lieu d’effectuer des analyses ou de participer aux décisions de crédit, l’IA peut apporter une valeur considérable dans le travail de configuration qui facilite le lancement et la mise à jour des produits de crédit. Le point de départ est un besoin métier rédigé par les responsables produit. Une équipe de crédit décrit ce qu’elle souhaite : qui peut déposer une demande, quels documents sont nécessaires, quels sont les niveaux d’approbation, quelles données entrent dans la note, quelles informations doivent être communiquées et à quel moment.

L’IA transforme chaque point en configuration de la plateforme : critères d’éligibilité, liste des documents, circuit d’approbation avec ses différents niveaux, connexions aux sources de données utilisées pour la notation et calendrier de reporting. Sur un système central historique, les ingénieurs construisent manuellement chacun de ces éléments et chaque modification suit un cycle complet de mise en production. Avec l’IA, le produit est construit fonction par fonction sur une base commune. Les équipes d’ingénierie et de conformité examinent et testent chaque changement avant sa mise en service et conservent le pouvoir de validation.

Le besoin peut être entièrement indépendant du système central existant. L’IA n’a pas besoin de lire ni d’interpréter sa logique, ce qui permet au prêteur de définir un produit que le système actuel n’a jamais été conçu pour prendre en charge. Deux décennies de code non documenté restent intactes.

Le nouveau parcours de crédit fonctionne sur une plateforme distincte déployée aux côtés du système central. Les deux sont reliés par des intégrations, tandis que le système central conserve ses données et fonctions existantes. Aucun de ses éléments de code ne doit être réécrit avant le lancement d’un nouveau produit.

S’appuyer sur les données disponibles aujourd’hui

De nombreux projets d’IA bancaire s’enlisent toutefois sur la question des données. Une énorme base de données n’est pourtant pas réellement nécessaire : elle est utile, mais pas indispensable. L’IA élabore les règles de souscription et les besoins en données autour des sources disponibles, puis l’équipe des risques les approuve avant toute mise en œuvre. Lorsqu’une source manque, elle définit comment la recueillir : saisie des informations de l’emprunteur, saisie de celles du garant, documents obligatoires et téléversables, et sources de données externes.

Ce processus de « construction des données » aide les banques et les fintechs à développer leur inventaire réel de données, lacunes comprises, et les hypothèses des fournisseurs sur ce qui devrait déjà être collecté cessent de guider le projet.

La préparation des données cesse d’être une condition préalable au lancement d’un produit de crédit et devient une composante de la même étape de configuration.

Modification du produit ou modification du système central

Pour la plupart des prêteurs, la question pratique consiste à savoir s’ils peuvent lancer de nouveaux produits de crédit et adapter les produits existants pendant qu’une migration pluriannuelle du système central se poursuit. Une plateforme de crédit distincte, configurée par l’IA à partir des besoins métier, répond à cette question. Un prêteur peut lancer et ajuster ses produits de crédit chaque trimestre tandis que le programme de migration du système central suit son propre calendrier. C’est dans ce découplage que l’IA démontre aujourd’hui sa valeur dans le crédit.