Résumé rapide : L'apprentissage automatique dans le secteur du crédit utilise des algorithmes pour analyser de vastes ensembles de données, automatiser les décisions de crédit, détecter les fraudes et faciliter l'accès au crédit pour les emprunteurs les plus défavorisés. Selon les agences fédérales, les systèmes d'apprentissage automatique ont permis d'éviter plus de 11,7 milliards de dollars de fraudes au cours de l'exercice 2025, tout en réduisant les erreurs de décision de 261 000 milliards à 3 510 milliards dans les principales applications. Toutefois, des questions d'équité et un contrôle réglementaire strict persistent, les établissements de crédit devant composer avec les risques de biais et les exigences de conformité liés au déploiement de ces outils performants.
L'apprentissage automatique a bouleversé les pratiques traditionnelles en matière de prêts. Là où les agents de crédit examinaient autrefois chaque demande ligne par ligne, les algorithmes identifient désormais des tendances parmi des millions de points de données en quelques secondes.
L'ampleur de cette transformation est stupéfiante. Selon la Réserve fédérale, des modèles d'apprentissage automatique évaluent chaque semaine la solvabilité de dizaines de milliers de consommateurs et de propriétaires de petites entreprises américains. Il ne s'agit pas d'un projet pilote, mais de la nouvelle norme.
Mais voilà le problème : la rapidité et l’ampleur ne servent à rien si les décisions ne sont pas équitables. À mesure que ces systèmes se complexifient, les organismes de réglementation et les prêteurs sont confrontés à des questions difficiles concernant les biais, la transparence et l’accès.
Que fait réellement l'apprentissage automatique dans le secteur du prêt ?
Les modèles d'apprentissage automatique ne se contentent pas d'automatiser les processus existants ; ils transforment radicalement la manière dont les prêteurs évaluent les risques. Le système traditionnel de notation de crédit repose sur un nombre restreint de variables : l'historique de paiement, l'encours de la dette et la durée de l'historique de crédit. L'apprentissage automatique élargit considérablement ce champ d'application.
Ces modèles peuvent analyser simultanément des milliers de points de données, allant des tendances professionnelles aux historiques de transactions, en passant par des sources de données alternatives que les méthodes d'analyse de risques traditionnelles n'ont jamais exploitées. Résultat ? Des évaluations de risques plus nuancées permettant d'identifier des emprunteurs solvables que les modèles traditionnels rejetteraient.
Une étude de Javelin Strategy a révélé qu'en 2015 déjà, les refus injustifiés de prêts (des prêts non accordés en raison d'une mauvaise interprétation des données) ont touché jusqu'à 151 000 milliards de dollars de consommateurs américains. L'apprentissage automatique permet de remédier à ce problème en traitant les données avec une précision bien supérieure à celle des systèmes basés sur des règles.
Analyse de crédit et évaluation des risques
L'analyse de solvabilité est au cœur du processus de prêt : elle consiste à déterminer si un emprunteur sera en mesure de rembourser. Les modèles d'apprentissage automatique excellent dans ce domaine en identifiant des schémas complexes qui pourraient échapper aux analystes humains.
Au lieu d'appliquer des seuils rigides, ces algorithmes évaluent le risque sur un continuum, en pondérant de multiples facteurs par rapport aux données de remboursement historiques. Un emprunteur ayant un historique de crédit limité mais des revenus stables et de faibles dépenses pourrait obtenir un prêt, alors que les modèles traditionnels le refuseraient automatiquement.
Les institutions financières indiquent que l'automatisation des documents grâce à l'apprentissage automatique permet de reconnaître et de traiter les documents avec une précision supérieure à 99%. Il s'agit notamment des demandes de prêt immobilier, des bulletins de salaire et des relevés bancaires, analysés en quelques minutes au lieu de plusieurs jours.
Détection et prévention de la fraude
La fraude coûte chaque année des milliards aux établissements de crédit. L'apprentissage automatique est devenu la première ligne de défense.
D'après la Réserve fédérale, la fraude aux chèques a généré à elle seule plus de 15 000 signalements entre février et août 2023, pour un montant total de 1 040 688 millions de dollars en transactions réelles et tentées. Les systèmes d'apprentissage automatique luttent contre ce phénomène en signalant les comportements suspects en temps réel.
Les chiffres parlent d'eux-mêmes : le département du Trésor a prévenu et récupéré plus de 1 TP4 T11,7 milliards de dollars de fraudes grâce à l'IA et au ML au cours de l'exercice 2025. La fraude par chèque en particulier a généré plus de 15 000 signalements entre février et août 2023, associés à plus de 1 TP4 T688 millions de transactions.
Ces systèmes ne se contentent pas de détecter les schémas de fraude connus ; ils repèrent aussi des anomalies inédites. C’est là toute la puissance des algorithmes d’apprentissage : ils s’adaptent aux changements de tactique des fraudeurs.
Ajustements automatisés des limites de crédit
Les sociétés de cartes de crédit utilisent l'apprentissage automatique pour augmenter proactivement les limites de crédit de leurs clients. La Réserve fédérale américaine indique que ces algorithmes analysent en continu le comportement des emprunteurs et relèvent les limites lorsque leur profil de risque s'améliore.
Cela diffère nettement des méthodes traditionnelles, où les emprunteurs devaient solliciter manuellement une augmentation de leur limite de crédit. Certains pays ont interdit les augmentations non sollicitées, mais les établissements de crédit américains considèrent cette pratique comme bénéfique, à condition qu'elle soit responsable.
Les algorithmes analysent les habitudes de paiement, les variations de revenus, le niveau d'endettement global et les comportements de consommation pour déterminer si un emprunteur est en mesure d'obtenir un crédit supplémentaire. Correctement mis en œuvre, ce processus élargit l'accès au crédit. Mal géré, il peut mener à un surendettement.
Développer des outils d'IA prédictifs avec une IA supérieure
IA supérieure Cette entreprise conçoit des solutions d'IA et d'apprentissage automatique pour la prédiction, l'analyse de données, la BI, le NLP, l'analyse de données massives et le développement de logiciels sur mesure. Ses solutions d'analyse prédictive exploitent les données actuelles et historiques pour faciliter les prévisions et améliorer la prise de décision.
Pour les équipes de prêt, cela peut faciliter la modélisation des risques de crédit, la segmentation des emprunteurs, les contrôles de fraude, les flux d'approbation ou d'autres processus de prêt nécessitant une quantité importante de données.
Besoin d'une IA connectée aux flux de travail de prêt ?
AI Superior peut vous aider avec :
- création de modèles d'apprentissage automatique
- construction de systèmes d'analyse prédictive
- analyse des données financières et clients
- connecter les outils d'IA aux plateformes existantes
👉 Contactez l'IA supérieure pour discuter de votre projet.
L'avantage de la vitesse et de la précision
Les établissements de crédit qui adoptent l'apprentissage automatique constatent des améliorations spectaculaires dans la rapidité de leurs décisions. Ce qui prenait autrefois des jours, voire des semaines, se fait désormais en quelques minutes.
Mais la vitesse sans la précision est imprudente. La bonne nouvelle ? L’apprentissage automatique offre les deux.
Des recherches citées par des responsables de la Réserve fédérale démontrent que l'apprentissage automatique a permis de réduire considérablement le taux d'erreur dans les tâches de reconnaissance d'images, passant d'un taux d'erreur de base de 26% à moins de 3% au cours des années suivantes, soit un taux inférieur au taux d'erreur humain de 5%.
Lorsque l'apprentissage automatique et la vérification humaine sont combinés, le taux d'erreur atteint un niveau aussi bas que 0,5 %. C'est le modèle que de nombreux organismes de crédit adoptent : les algorithmes prennent en charge les tâches complexes, tandis que les humains examinent les cas particuliers et les exceptions.
Traitement de volumes massifs de données
Les modèles de crédit traditionnels ne peuvent pas gérer l'explosion de données que nous connaissons actuellement. La Réserve fédérale américaine a cité une estimation de 2013 selon laquelle 90 % des données mondiales avaient été créées au cours des deux années précédentes. En 2016, IBM estimait que ce même chiffre de 90 % s'était réduit à une seule année.
L'apprentissage automatique prospère dans cet environnement. Les fournisseurs de cloud public offrent désormais un accès à des modèles pré-entraînés via des API et même des outils de type « glisser-déposer » permettant de créer des algorithmes sophistiqués sans expertise approfondie en science des données.
Cette démocratisation des technologies d'apprentissage automatique a permis aux petites entreprises fintech de rivaliser avec les institutions traditionnelles. L'égalité des chances n'est pas encore totale, mais elle n'a jamais été aussi nette.
Équité, partialité et contrôle réglementaire
C’est là que les choses se compliquent. L’apprentissage automatique peut réduire les biais… ou les amplifier. La différence réside dans la manière dont les modèles sont construits, entraînés et surveillés.
Le système de crédit traditionnel présente lui aussi des problèmes d'équité. Des décennies de pratiques discriminatoires, comme le redlining, ont créé des données qui reflètent des biais historiques. Lorsque des modèles d'apprentissage automatique sont entraînés sur ces données, ils risquent de perpétuer ces mêmes schémas.
Une étude de Brookings met en lumière l'importance de la calibration comme critère d'équité : si un modèle prédit 70 % de chances de remboursement pour un groupe démographique spécifique, alors 70 % des emprunteurs de ce groupe devraient effectivement rembourser. Cela paraît simple. L'appliquer simultanément à plusieurs groupes démographiques représente un véritable défi mathématique.
Défis liés à l'explicabilité
Les autorités réglementaires cherchent à comprendre pourquoi un modèle a refusé un prêt. Les emprunteurs aussi. Or, de nombreux modèles d'apprentissage automatique fonctionnent comme des boîtes noires : extrêmement précis, mais opaques quant à leur logique de décision.
Les lois sur l'équité en matière de prêt obligent les prêteurs à fournir des avis de refus expliquant les raisons du refus de crédit. Lorsqu'un modèle prend des décisions en se basant sur des milliers de variables et d'interactions complexes, la rédaction d'explications compréhensibles par un humain devient difficile.
Les institutions financières investissent massivement dans des outils d'explicabilité qui traduisent les résultats des modèles en explications compréhensibles. Ce domaine demeure un axe de recherche actif et fait l'objet d'une attention réglementaire soutenue.
| Défi d'équité | Modèles traditionnels | Modèles d'apprentissage automatique |
|---|---|---|
| Biais historiques dans les données | Perpétué par les directives de souscription manuelles | Peut amplifier si les données d'entraînement reflètent une discrimination passée |
| Transparence | Les systèmes basés sur des règles sont plus faciles à expliquer | Les modèles complexes nécessitent des outils d'explicabilité spécialisés |
| Impact disproportionné | Testé par une analyse statistique des résultats | Nécessite une surveillance continue auprès de différents groupes démographiques. |
| Sélection des fonctionnalités | Variables limitées, certaines explicitement interdites | Des milliers de fonctionnalités — il faut s'assurer qu'aucune discrimination par procuration ne se produise. |
Perspectives réglementaires
Les agences fédérales suivent la situation de près. La Réserve fédérale a organisé plusieurs colloques sur l'IA dans les services financiers, examinant à la fois ses avantages et ses risques.
En novembre 2024, la gouverneure Michelle Bowman a souligné que les discussions sur l'intelligence artificielle s'articulent inévitablement autour de deux points principaux : les risques et les avantages. Les autorités de réglementation s'efforcent d'encourager l'innovation tout en garantissant la protection des consommateurs.
Le Bureau du contrôleur de la monnaie sollicite activement des recherches universitaires sur l'IA dans le secteur bancaire et financier, reconnaissant que les politiques doivent rester au fait de l'évolution rapide des technologies.
En avril 2025, le contrôleur par intérim Rodney E. Hood a souligné l'importance de veiller à ce que l'IA et les autres technologies soient utilisées de manière responsable et conformément aux exigences en matière de prêts équitables. Il faut s'attendre à ce que des orientations réglementaires se poursuivent à mesure que l'adoption de l'apprentissage automatique se généralise.
Élargir l'accès au crédit
L'une des applications les plus prometteuses de l'apprentissage automatique est l'identification des emprunteurs solvables que les modèles traditionnels rejetteraient.
Des millions d'Américains sont “ invisibles pour le crédit ” ou possèdent des dossiers de crédit incomplets, c'est-à-dire un historique insuffisant pour que les modèles de notation traditionnels puissent les évaluer avec précision. L'apprentissage automatique peut intégrer des données alternatives : paiements de loyer, factures de services publics, historique d'emploi, diplômes.
Cela ouvre l'accès au crédit aux populations historiquement mal desservies par les organismes de prêt traditionnels. Les propriétaires de petites entreprises, les nouveaux immigrants, les jeunes adultes qui se constituent un historique de crédit : tous peuvent en bénéficier lorsque les algorithmes prennent en compte d'autres facteurs que le score FICO.
L'essentiel est de veiller à ce que cet accès élargi ne s'accompagne pas de conditions abusives. Les prêteurs doivent trouver un équilibre entre une tarification basée sur le risque et l'équité, en s'assurant que les données alternatives permettent réellement de prédire la solvabilité plutôt que de créer de nouvelles formes de discrimination.
Défis de mise en œuvre pour les prêteurs
L'adoption de l'apprentissage automatique ne se fait pas en un claquement de doigts. Les institutions financières sont confrontées à des obstacles importants pour la conception, le déploiement et la maintenance de ces systèmes.
Exigences en matière d'infrastructure de données
La qualité des modèles d'apprentissage automatique dépend de la qualité des données qui les alimentent. Les organismes de crédit ont besoin d'ensembles de données propres, complets et correctement étiquetés ; or, nombre d'institutions traditionnelles possèdent des décennies de données incohérentes et dans des formats incompatibles.
La mise en place d'une infrastructure permettant d'agréger, de nettoyer et de mettre à jour en continu les données de formation exige des investissements considérables. Les petites institutions peuvent manquer de ressources pour réaliser ces opérations en interne, ce qui les incite à nouer des partenariats avec des entreprises fintech et des fournisseurs tiers.
Gouvernance et surveillance des modèles
Une fois déployés, les modèles d'apprentissage automatique nécessitent une surveillance continue. Leurs performances peuvent se dégrader en fonction de l'évolution du marché ou des caractéristiques des candidats.
Les établissements de crédit ont besoin de cadres pour la validation des modèles, le suivi de leurs performances, la détection des biais et la formation continue. Les exigences réglementaires en matière de gouvernance des modèles évoluent, ce qui complexifie les programmes de conformité.
Une étude de Cornerstone Advisors a révélé que 201 000 000 des établissements interrogés ne disposaient d'aucun personnel interne spécialisé dans la modélisation du crédit, et que même les grandes institutions fonctionnaient souvent avec des équipes réduites. Ce manque de compétences demeure une contrainte majeure.
Le paysage concurrentiel
L'apprentissage automatique a profondément modifié la dynamique concurrentielle du secteur du crédit. Les startups fintech, bâties dès leur création sur des fondements d'apprentissage automatique, peuvent évoluer plus rapidement que les acteurs historiques, freinés par des systèmes obsolètes.
Mais les institutions traditionnelles ont aussi leurs atouts : des bases de données massives, des relations clients établies, une expérience en matière de réglementation et des bilans solides pour faire face aux crises économiques. La concurrence fait rage sur tous les segments de marché.
Dans le secteur du crédit à la consommation, les plateformes en ligne exploitant l'apprentissage automatique ont conquis une part de marché importante en proposant des décisions plus rapides et en s'adressant aux emprunteurs refusés par les banques traditionnelles. Dans le secteur du crédit aux entreprises, la situation est plus complexe : la relation client reste essentielle, mais les outils d'apprentissage automatique améliorent l'efficacité et l'évaluation des risques.
Partenariats entre les banques et les fintechs
Plutôt que de se livrer à une concurrence pure et simple, de nombreuses institutions nouent des partenariats. Les banques apportent l'infrastructure réglementaire, le financement et leur clientèle. Les fintechs, quant à elles, fournissent la technologie, la rapidité et l'innovation.
Ces partenariats permettent à chaque partie de tirer parti de ses atouts. Le défi consiste à harmoniser les intérêts, à gérer les risques et à garantir la conformité lorsque des tiers prennent en charge des fonctions essentielles comme la souscription.
| Type d'établissement | Points forts de l'apprentissage automatique | Défis liés à la mise en œuvre |
|---|---|---|
| Grandes banques | Ensembles de données massifs, ressources pour le développement de modèles personnalisés | Intégration des systèmes existants, complexité organisationnelle |
| Banques régionales | Relations clients, connaissance du marché local | Personnel technique limité, volumes de données plus faibles |
| Prêteurs Fintech | Conçu dès le départ pour le ML, déploiement agile | Historique limité à travers les cycles économiques |
| coopératives de crédit | Prêts axés sur les membres et motivés par une mission | Contraintes de ressources, lacunes en matière d'expertise technique |
Perspectives d'avenir : quel avenir pour l'apprentissage automatique dans le secteur du crédit ?
L'apprentissage automatique dans le secteur du crédit évolue encore rapidement. Plusieurs tendances déterminent l'orientation future de ce secteur.
Les outils d'explicabilité continueront de s'améliorer, rendant les modèles opaques plus transparents. Les organismes de réglementation l'exigent, et les prêteurs en ont besoin pour instaurer la confiance avec les emprunteurs et se conformer à la législation sur les pratiques de prêt équitables.
L'intégration de données alternatives va se développer. De plus en plus de propriétaires, de fournisseurs d'énergie et de prestataires de services mettront à disposition les données de paiement. Le défi consistera à garantir que ces données permettent de prédire avec fiabilité la solvabilité sans introduire de nouveaux biais.
La prise de décision en temps réel deviendra la norme. Les emprunteurs exigent de plus en plus de réponses instantanées. L'apprentissage automatique le permet, mais les prêteurs auront besoin de systèmes robustes de détection des fraudes et de contrôle des risques pour prévenir les abus.
Les tests d'équité deviendront plus sophistiqués. À mesure que la prise de conscience des biais algorithmiques s'accroît, les prêteurs seront soumis à des pressions – réglementaires et de réputation – les obligeant à démontrer que leurs modèles produisent des résultats équitables pour tous les groupes démographiques.
Questions fréquemment posées
Dans quelle mesure les modèles d'apprentissage automatique sont-ils précis dans le domaine des prêts par rapport aux méthodes traditionnelles d'évaluation du crédit ?
Dans de nombreuses applications, les modèles d'apprentissage automatique ont démontré des taux d'erreur nettement inférieurs aux approches traditionnelles. Une étude citée par des responsables de la Réserve fédérale montre que l'apprentissage automatique a permis de réduire considérablement le taux d'erreur dans les tâches de reconnaissance d'images, passant d'un taux de référence de 261 TP3T à moins de 31 TP3T les années suivantes, soit un taux inférieur au taux d'erreur humain de 51 TP3T. Dans le secteur du crédit en particulier, les modèles d'apprentissage automatique peuvent traiter davantage de variables et identifier des schémas complexes, ce qui permet des évaluations de risques plus précises. Cependant, la précision dépend fortement de la qualité des données, de la conception du modèle et d'un suivi continu.
Les modèles d'apprentissage automatique peuvent-ils discriminer certains emprunteurs ?
Oui, les modèles d'apprentissage automatique peuvent perpétuer, voire amplifier, les biais s'ils sont entraînés sur des données historiques reflétant des pratiques de prêt discriminatoires. Ces modèles peuvent également utiliser, par inadvertance, des variables de substitution corrélées à des caractéristiques protégées comme l'origine ethnique ou le sexe. C'est pourquoi les tests d'équité, la sélection rigoureuse des caractéristiques et un suivi continu sont essentiels. Les autorités de réglementation exigent des établissements de crédit qu'ils s'assurent que leurs modèles respectent la législation sur les prêts équitables et produisent des résultats équitables pour tous les groupes démographiques.
Les organismes prêteurs utilisant l'apprentissage automatique doivent-ils expliquer pourquoi ils ont refusé un prêt ?
Absolument. La législation sur le crédit équitable exige que les notifications de refus expliquent les raisons du refus, que la décision provienne d'un humain ou d'un algorithme. Cela pose des difficultés pour les modèles d'apprentissage automatique complexes, qui ne sont pas intrinsèquement transparents. Les organismes prêteurs investissent dans des outils d'explicabilité qui traduisent les résultats des modèles en justifications compréhensibles par tous. Le contrôle réglementaire de l'explicabilité s'intensifie et les organismes prêteurs doivent être en mesure de démontrer comment leurs modèles prennent leurs décisions.
Quels types de données alternatives les modèles d'apprentissage automatique utilisent-ils dans le domaine des prêts ?
Au-delà des rapports de solvabilité traditionnels, les modèles d'apprentissage automatique peuvent intégrer l'historique des paiements de loyer et de factures, les habitudes de transactions bancaires, la stabilité de l'emploi et des revenus, les diplômes, les habitudes d'utilisation du téléphone portable et d'autres données comportementales. L'objectif est d'identifier les emprunteurs solvables ne disposant pas d'un historique de crédit classique. Toutefois, les organismes prêteurs doivent s'assurer que ces données alternatives permettent de prédire avec fiabilité la capacité de remboursement et n'entraînent pas de nouvelles formes de discrimination ou d'atteintes à la vie privée.
Dans quelle mesure l'apprentissage automatique a-t-il permis d'éviter des fraudes dans le secteur du crédit ?
L'impact est considérable. Selon la Réserve fédérale, le Trésor américain a prévenu et récupéré plus de 11,7 milliards de dollars de fraudes grâce à l'intelligence artificielle et à l'apprentissage automatique au cours de l'exercice 2025. La fraude par chèque, en particulier, a généré plus de 15 000 signalements entre février et août 2023, liés à plus de 688 millions de dollars de transactions. La Commission fédérale du commerce (FTC) a indiqué que les consommateurs ont perdu 1,9 milliard de dollars à cause de la fraude en 2019, et les systèmes d'apprentissage automatique détectent désormais des activités frauduleuses qui seraient passées entre les mailles du filet des filtres traditionnels.
Les petits établissements de crédit peuvent-ils rivaliser avec les grandes banques en matière d'adoption de l'apprentissage automatique ?
C'est un défi, mais de plus en plus réalisable. Les plateformes d'apprentissage automatique basées sur le cloud proposent désormais des modèles pré-entraînés et des outils conviviaux pour les développeurs, ne nécessitant pas d'importantes équipes de data scientists. Les petits établissements de crédit peuvent également nouer des partenariats avec des fintechs ou faire appel à des prestataires tiers proposant des services d'analyse de risques basés sur l'apprentissage automatique. Les principales contraintes sont le volume de données (les modèles d'apprentissage automatique s'améliorent avec davantage de données d'entraînement) et les ressources nécessaires à la mise en œuvre et à la conformité. De nombreuses petites institutions forment des consortiums ou tirent parti de solutions sectorielles plutôt que de développer des modèles sur mesure.
L'apprentissage automatique remplacera-t-il les agents de crédit humains ?
Pas entièrement. La tendance est aux modèles hybrides où les algorithmes gèrent le traitement des données et l'évaluation initiale des risques, tandis que les humains examinent les exceptions, les cas complexes et les décisions de prêt fondées sur la relation client. Les recherches montrent que la combinaison de l'apprentissage automatique et de l'analyse humaine produit les taux d'erreur les plus faibles : seulement 0,51 TP3T, contre moins de 31 TP3T pour l'apprentissage automatique seul ou 51 TP3T pour les humains seuls. Les chargés de prêts évoluent vers des rôles de gestionnaires d'exceptions et de spécialistes de la relation client plutôt que d'analystes de crédit manuels. Pour les prêts à la consommation classiques, l'automatisation progresse, mais les prêts commerciaux et complexes nécessitent encore un jugement humain important.
Réflexions finales
L'apprentissage automatique a profondément transformé le secteur du crédit. Cette technologie permet des prises de décision plus rapides, détecte les fraudes qui seraient passées inaperçues et ouvre l'accès au crédit à des emprunteurs que les modèles traditionnels ne pouvaient évaluer avec précision.
Mais la transformation n'est pas achevée. Les préoccupations en matière d'équité sont bien réelles, les cadres réglementaires sont encore en développement et les difficultés de mise en œuvre restent importantes pour de nombreux prêteurs.
Les institutions qui réussiront seront celles qui exploiteront le potentiel de l'apprentissage automatique tout en assumant les risques associés. Cela implique d'investir dans des tests d'équité, d'intégrer l'explicabilité aux modèles, de maintenir une supervision humaine et d'anticiper les exigences réglementaires.
Pour les emprunteurs, les conséquences sont mitigées. L'accès au crédit sera facilité, les décisions seront prises plus rapidement et la protection contre la fraude sera renforcée. Toutefois, la vigilance en matière d'équité et de transparence demeure essentielle. Avec la généralisation de l'apprentissage automatique dans le secteur du crédit, il est plus important que jamais d'exiger des institutions qu'elles rendent des comptes sur l'équité des résultats.
Le secteur du crédit apprend encore à utiliser ces puissants outils de manière responsable. Les prochaines années seront déterminantes pour savoir si l'apprentissage automatique tiendra sa promesse d'un accès au crédit plus équitable, plus rapide et plus inclusif, ou s'il créera de nouveaux problèmes à résoudre.
French 
English 
German 
Arabic 
Dutch 
Spanish