L'intelligence artificielle appliquée à l'analyse des revenus et des charges bancaires désigne des programmes qui lisent les opérations d'un compte, les classent par catégories et en déduisent la capacité de remboursement d'un candidat au crédit. Ils repèrent le salaire, le loyer, les mensualités déjà prélevées et les incidents, puis alimentent une note ou une aide à la décision. Cet outil accélère le traitement des dossiers sans registre central, mais il soulève des questions d'exactitude, de biais et de droit à l'explication, que le droit européen encadre désormais précisément.
De la ligne de relevé à la catégorie
Un relevé de compte est un texte désordonné : des libellés abrégés, des noms de commerçants, des références de prélèvement. Pour en tirer une information exploitable, les prêteurs utilisent des modèles d'apprentissage automatique qui reconnaissent la nature de chaque opération. Une ligne devient « salaire », « loyer », « remboursement de crédit », « assurance », « abonnement », « virement entre proches ». La somme de ces catégories sur plusieurs mois donne un tableau des revenus récurrents et des charges fixes.
La chaîne comporte plusieurs étapes. Le texte du libellé est nettoyé, rattaché à un commerçant ou à un émetteur connu, puis associé à une catégorie selon sa régularité, son montant et sa périodicité. Les outils récents combinent des règles précises et des modèles statistiques, qui apprennent à partir de millions d'opérations déjà étiquetées.
Ce que l'IA sait faire mieux qu'un conseiller
La machine traite en quelques secondes ce qui prenait une heure de lecture. Elle repère les revenus qui reviennent chaque mois même quand le libellé change, regroupe des petits prélèvements, détecte les mensualités de crédit à la consommation et signale la progression du découvert. Elle peut aussi vérifier la cohérence entre un bulletin de paie et les virements reçus, et soupçonner une pièce falsifiée lorsque les montants ne correspondent pas.
- Détection des revenus réguliers et des primes ponctuelles.
- Reconnaissance des échéances de crédit, de leasing et de paiement fractionné.
- Calcul d'un reste à vivre à partir des charges réellement prélevées.
- Repérage d'anomalies qui évoquent une fraude documentaire.
Les erreurs possibles de catégorisation
La classification n'est pas infaillible. Un virement d'un parent pour aider à payer un loyer peut être pris pour un revenu. Une avance sur salaire, une indemnité de chômage ou une pension alimentaire n'ont pas le même poids dans une analyse de capacité de remboursement, et un modèle peut les confondre. Une dépense exceptionnelle, comme des frais médicaux ou un mariage, peut passer pour un mode de vie coûteux et assombrir un dossier normal.
Ces erreurs deviennent graves quand le résultat est suivi mécaniquement. D'où l'importance de pouvoir corriger la lecture : un client doit pouvoir expliquer qu'un versement est une aide familiale ponctuelle et non un salaire, ou qu'une grosse dépense était unique.
Le cadre fixé par la CNIL
La Commission nationale de l'informatique et des libertés a publié en mai 2026 une recommandation sur l'évaluation de la solvabilité dans l'octroi de crédit. Elle accepte la catégorisation des libellés de transaction à la condition que les catégories restent générales, et exclut le traitement des données sensibles, comme celles qui révèlent la santé, les opinions ou les convictions. L'analyse porte en principe sur trois mois d'historique, jusqu'à douze mois à la demande de la personne.
La Commission note que les modèles de score peuvent constituer des systèmes d'intelligence artificielle au sens du règlement européen, éventuellement à haut risque, ce qui impose une analyse d'impact qui documente les risques de biais, y compris discriminatoires. Les réseaux sociaux ne sont pas admis comme source de données.
Le règlement européen sur l'intelligence artificielle
Le règlement (UE) 2024/1689 du 13 juin 2024, en vigueur depuis le 1er août 2024, classe parmi les systèmes à haut risque ceux destinés à évaluer la solvabilité des personnes physiques ou à établir leur note de crédit, à l'exception des systèmes qui servent à détecter la fraude financière. Un outil qui note un emprunteur à partir de ses relevés entre donc dans cette catégorie, avec des obligations de gestion des risques, de qualité des données d'entraînement, de documentation, de supervision humaine et de robustesse.
Le texte prévoit une application échelonnée, et ses obligations s'ajoutent à celles du droit des données et du droit du crédit sans les remplacer. L'outil qui détecte les fausses fiches de paie relève d'un autre régime que celui qui note le client.
Décision automatisée et recours humain
Le règlement général sur la protection des données limite les décisions fondées uniquement sur un traitement automatisé qui produisent des effets significatifs. La Cour de justice de l'Union européenne a retenu, dans l'affaire SCHUFA du 7 décembre 2023, qu'un score peut lui-même constituer une telle décision lorsque le prêteur en dépend largement. La directive de 2023 sur les crédits aux consommateurs, applicable en France à compter du 20 novembre 2026, donne en outre à l'emprunteur le droit de demander une intervention humaine, une explication claire, de présenter son point de vue et d'obtenir un réexamen.
Un agent qui valide en quelques secondes la sortie de la machine n'offre pas de garantie réelle. D'où l'exigence d'agents formés, indépendants et dont les décisions sont suivies statistiquement, pour que l'humain puisse s'écarter de la proposition de l'outil.
Biais, discrimination et explicabilité
Un modèle apprend du passé et en reproduit les travers. Si les données d'entraînement reflètent des pratiques inégales, il peut pénaliser certains profils, par exemple les travailleurs à revenus irréguliers, sans que cela soit voulu. Des variables apparemment neutres, comme un lieu de résidence, peuvent servir de substitut à des critères interdits : la CNIL ne tolère la collecte du département de résidence que si une stratégie géographique documentée la justifie.
L'explicabilité est la parade. Le droit d'accès comprend, selon la CNIL, le score, les seuils et les principales variables qui ont pesé sur la décision. Un modèle trop opaque pour livrer cette explication pose un problème de conformité.
Faut-il un fichier positif quand l'IA lit les comptes ?
Les partisans de l'analyse automatique y voient une réponse à l'absence de registre : le prêteur reconstitue la situation du client à partir de ses flux, sans base partagée. Ils insistent sur la rapidité, la lutte contre la fraude et l'inclusion de ceux qui n'ont pas d'historique de crédit. Les partisans d'un registre rappellent qu'aucun algorithme ne voit une dette absente du compte analysé, et qu'un modèle mal alimenté amplifie ses erreurs.
Les opposants aux deux approches craignent un fichage de fait, qu'il passe par une base centrale ou par une lecture automatisée de tous les comptes. Le droit actuel cherche une voie moyenne : permettre l'analyse, sans collecter plus que nécessaire, avec explication et recours.
Données utilisées et durée de conservation
Un modèle d'analyse ne devrait recevoir que les informations nécessaires à l'évaluation : montants, dates, catégories, et non l'identité des bénéficiaires de chaque virement. La CNIL recommande de limiter à six mois la conservation en base active d'une demande rejetée émanant d'un non-client, puis d'archiver pour la durée de prescription. Les incidents passés d'un client peuvent être pris en compte pendant une durée raisonnable après régularisation, qu'elle propose de limiter à vingt-quatre mois.
Les données d'entraînement posent une question distincte : réutiliser les relevés de clients pour améliorer un modèle suppose une finalité compatible et une information claire, car l'accord donné pour étudier une demande ne couvre pas automatiquement la constitution de bases d'apprentissage.
Une IA peut-elle refuser mon crédit seule ?
Le droit européen restreint cette possibilité. Quand un traitement automatisé intervient, le client peut obtenir une intervention humaine et un réexamen.
Comment corriger une erreur de catégorisation ?
En exposant au prêteur la nature exacte de l'opération mal classée, avec un justificatif, et en demandant la révision de l'analyse.
