Source: The Conversation – France (in French) – By Hamdi Jbir, Researcher – Lecturer, Université Bretagne Sud (UBS)
L’intelligence artificielle (IA) est souvent présentée comme un outil d’amélioration de la gestion des risques bancaires. Toutefois, notre analyse des banques de la zone euro met en évidence un effet ambigu : si l’IA renforce certains indicateurs de liquidité, elle est aussi associée à une hausse des prêts non performants, suggérant une augmentation des vulnérabilités bancaires.
Comment en sommes-nous arrivés là ?
Le secteur bancaire européen vit une révolution silencieuse. Derrière les écrans, des algorithmes remplacent désormais les analystes pour décider, en quelques secondes, si un crédit est accordé ou non. Cette transformation n’est plus une option, elle est devenue un moteur central de la compétitivité. Pourtant, cette course à l’efficacité suscite des inquiétudes au plus haut sommet.
À lire aussi :
IA et crédit, comment éviter que les machines ne contribuent à reproduire nos biais sociaux ?
Dès septembre 2024, Christine Lagarde, présidente de la Banque centrale européenne (BCE), alertait sur les risques systémiques liés à ces technologies, notamment lors d’un discours devant le Comité européen du risque systémique. Si l’essor de la fintech est bien documenté, l’usage réel de l’IA dans les grandes banques reste difficile à mesurer.
Dans ce contexte, nous analysons les rapports financiers trimestriels des huit principales banques systémiques de la zone euro entre 2020 et 2025. En quantifiant la fréquence du vocabulaire lié à l’intelligence artificielle, nous avons construit un indicateur permettant d’estimer son usage réel dans chaque banque, puis de le comparer à leur niveau de risque.
Pourquoi ce résultat est-il important ?
Nos résultats révèlent un paradoxe dans l’usage de l’IA par les banques étudiées. Si ces technologies améliorent la gestion de la liquidité, elles peuvent être associées à une dégradation de la qualité des crédits.
Nous observons qu’une hausse de l’usage de l’IA est associée à une augmentation de 7 points de pourcentage du ratio de couverture de liquidité et à une hausse de 0,35 point de pourcentage du ratio de prêts non performants, soit près de 14 % de son niveau moyen.
Ce constat suggère que si l’automatisation optimise les processus financiers, elle peut aussi encourager une prise de risque accrue ou affaiblir la sélection des emprunteurs. Ce fait s’explique par la manière dont l’IA transforme l’évaluation du risque. Les algorithmes s’appuient principalement sur des données quantitatives, faciles à standardiser et à traiter automatiquement, mais peinent à intégrer des informations plus qualitatives, comme le contexte spécifique d’un emprunteur, souvent difficiles à formaliser. Cela peut conduire à valider des dossiers en apparence solides, mais plus fragiles en pratique.
Dans cette veine, des travaux montrent que l’intelligence artificielle améliore la précision des modèles de scoring de crédit, mais soulignent également des limites importantes liées à la qualité des données et à l’interprétabilité des décisions. Un autre enjeu majeur tient à l’homogénéisation des comportements des institutions financières. L’adoption croissante de ces technologies peut amener les banques à utiliser des modèles similaires, conduisant à des décisions convergentes. En cas de choc, ce comportement grégaire peut amplifier les déséquilibres au lieu de les atténuer.
Au final, l’intelligence artificielle peut améliorer la performance du secteur bancaire, tout en contribuant à sa fragilité.
Quelle suite à cette recherche ?
Au-delà du secteur bancaire, cette dynamique pourrait avoir des répercussions négatives sur l’économie réelle. En effet, l’accumulation de prêts non performants associée à l’usage de l’IA pourrait entraîner un durcissement des conditions de financement du secteur privé, pénalisant ainsi la demande globale. Ces résultats ouvrent ainsi des enjeux importants pour la régulation. Bien que l’Union européenne encadre déjà ces pratiques avec l’AI Act, en classant le scoring de crédit parmi les activités à haut risque, ce cadre reste encore largement centré sur les risques individuels.
Or, l’enjeu des prochaines années sera d’intégrer plus pleinement les risques collectifs liés à l’usage généralisé d’algorithmes similaires, notamment en termes de comportements convergents et de vulnérabilités systémiques. Il devient donc essentiel de rendre les algorithmes plus explicables et transparents afin que le régulateur puisse superviser les décisions de crédit prises.
De même, il faudra tester le comportement de ces IA en situation de crise, à travers des stress-tests algorithmiques, comme cela existe déjà pour la solidité financière des banques. L’objectif serait de révéler des vulnérabilités invisibles en période normale et d’anticiper des réactions amplifiées en cas de choc.
Enfin, l’automatisation ne peut pas remplacer entièrement le jugement humain, en particulier lorsqu’il s’agit d’évaluer des situations complexes. Sans cela, une technologie conçue pour maîtriser le risque pourrait devenir un vecteur silencieux d’instabilité financière.
Tout savoir en trois minutes sur des résultats récents de recherches, commentés et contextualisés par les chercheuses et les chercheurs qui les ont menées, c’est le principe de nos « Research Briefs ». Un format à retrouver ici.
Hamdi Jbir ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d’une organisation qui pourrait tirer profit de cet article, et n’a déclaré aucune autre affiliation que son organisme de recherche.
– ref. Quand l’intelligence artificielle fragilise le crédit bancaire qu’elle est censée sécuriser – https://theconversation.com/quand-lintelligence-artificielle-fragilise-le-credit-bancaire-quelle-est-censee-securiser-280950