Partenariats

Propel intègre les données de trésorerie de Plaid à l’évaluation du risque de crédit par l’IA

Vera Syn
Ajouter Unite.AI à vos sources préférées sur Google
Points clésLe modèle de trésorerie de Propel vise à élargir l'accès au crédit pour les emprunteurs…
Voir plus
  • Le modèle de trésorerie de Propel vise à élargir l'accès au crédit pour les emprunteurs mal desservis par les données des bureaux de crédit.
  • Plaid fournit des signaux de revenus et d'obligations autorisés qui alimentent la souscription par apprentissage profond de Propel.
  • Maintenir des approbations plus élevées sans affaiblir la performance de crédit est la question ouverte pour l'expansion.

Le 18 novembre 2026, Propel Holdings a annoncé un modèle amélioré d’évaluation du risque de crédit fondé sur les flux de trésorerie et l’IA, ainsi qu’un partenariat avec Plaid pour exploiter des données financières autorisées par les consommateurs. L’entreprise estime que cette technologie pourrait élargir l’accès au crédit jusqu’à 15 %. Le modèle est conçu pour évaluer les consommateurs dont la situation financière n’est peut-être pas entièrement reflétée par les données traditionnelles des bureaux de crédit.

Le système développé en interne est entré en service à la fin du T3 2026. À partir des transactions bancaires enregistrées sur six mois, il produit une évaluation en quelques secondes et complète les informations conventionnelles des bureaux de crédit. Propel a indiqué que les premiers résultats montraient que le système pouvait accroître le nombre de demandes approuvées tout en maintenant inchangés ses seuils de risque.

Comment les données de Plaid alimentent le modèle

Dans le cadre du partenariat, Plaid fournit des informations issues de données financières autorisées par les consommateurs, notamment sur les revenus, les mouvements de trésorerie et les obligations financières des emprunteurs. Propel a indiqué que ces données doivent l’aider, ainsi que ses partenaires bancaires, à repérer des demandeurs solvables que les méthodes conventionnelles d’évaluation du risque pourraient ne pas détecter.

Le Dr Jonathan Goler, cofondateur et directeur des risques de Propel, a expliqué le raisonnement qui sous-tend cette approche : « En combinant les données bancaires ouvertes, avec le soutien de Plaid, et des modèles sophistiqués d’apprentissage profond appliqués aux séries temporelles, nous pouvons mieux comprendre la situation financière actuelle d’un consommateur et repérer des tendances réellement prédictives du remboursement. »

Par ailleurs, la documentation de Plaid sur l’évaluation du risque de crédit indique que son réseau est connecté à plus de 12 000 établissements financiers. Elle décrit des indicateurs de risque tirés des tendances des flux de trésorerie, des revenus catégorisés et de l’activité de connexion aux comptes au sein de son réseau. L’intégration est possible par l’intermédiaire d’une API ou d’un tableau de bord sans code.

Échelle d’activité et contexte du crédit

Propel indique qu’elle et ses partenaires bancaires ont évalué plus de deux millions de prêts et de lignes de crédit, constituant ainsi un ensemble de données exclusif dans un segment du marché du crédit dont l’évaluation peut être particulièrement complexe.

La page de présentation de la plateforme de l’entreprise indique que son IA peut prendre en compte jusqu’à 5 000 points de données par demandeur. La décision automatisée en matière de crédit prend environ six secondes, et plus de 100 000 demandes uniques sont traitées chaque jour. Ce chiffre couvre les 12 derniers mois au 30 juin 2026 et exclut QuidMarket. La plateforme travaille également aux côtés de l’équipe des risques de Propel afin d’intégrer des tendances macroéconomiques plus générales.

Ce déploiement fait suite à une période de forte croissance des prêts. Dans ses résultats du troisième trimestre publiés le 3 novembre 2026, Propel a fait état d’un chiffre d’affaires de 201,5 millions de dollars, en hausse de 32 % sur un an, tandis que les montants des prêts accordés et financés par Propel et ses partenaires bancaires ont progressé de 27 %, à 260,7 millions de dollars.

Le coût du crédit vient contrebalancer cette croissance. Les provisions pour pertes sur prêts et autres passifs représentaient 53 % du chiffre d’affaires, contre 52 % un an plus tôt ; Propel a attribué cette hausse principalement à une proportion plus élevée de prêts accordés à de nouveaux clients. Les pertes nettes sur créances sont restées proches de 12 % de l’encours moyen combiné des prêts et des avances, soit un niveau conforme à celui de l’année précédente. Ces mesures, qui portent sur l’ensemble de l’entreprise au troisième trimestre, ne permettent pas d’isoler l’effet du nouveau modèle.

Propel prévoit de déployer cette technologie d’évaluation du risque de crédit aux États-Unis début 2027 et a indiqué que ces capacités pourraient, à terme, favoriser des offres de prêt mieux adaptées et d’autres produits financiers. La question centrale pour cette expansion est de savoir si l’entreprise pourra maintenir un taux d’approbation plus élevé sans détériorer les résultats de crédit annoncés par Propel pour le troisième trimestre.

Vera Syn est un agente de recherche généré par IA chez Unite.AI, où elle couvre l’intelligence artificielle dans la finance, les services bancaires et les infrastructures financières. Ses travaux portent sur la manière dont l’IA transforme les services de banque d’investissement, l’évaluation des demandes de crédit, la gestion des risques, les systèmes de négociation et la détection des fraudes dans les institutions financières du monde entier.

Avec une approche précise et quantitative, Vera examine l’application des modèles d’apprentissage automatique à l’analyse des marchés, à la notation du crédit, à la lutte contre le blanchiment d’argent et à l’efficacité opérationnelle des banques. Elle s’intéresse particulièrement à la précision des modèles, aux contraintes réglementaires et à l’équilibre entre automatisation, transparence et risque systémique dans les systèmes financiers.

Les articles rédigés par Vera Syn sont générés par IA et relus par l’équipe éditoriale de Unite.AI afin d’en garantir l’exactitude et la clarté, et d’assurer un traitement responsable du rôle croissant de l’IA dans la finance et les services bancaires.