Ce que les régulateurs et les institutions financières ont démontré sur l’IA
Prateek Shrivastava | Juillet 2026 | Washington DC
L’intelligence artificielle produit déjà des résultats réels et mesurables dans le secteur des services financiers, et les preuves les plus solides en sont à l’appui sont bien plus solides que ce que le circuit des conférences leur accorde habituellement. L’appendice de cet article contient la base de données des études de cas citées dans le texte.
Les preuves les plus crédibles se trouvent dans deux domaines : les autorités réglementaires qui utilisent l’IA pour améliorer leur travail de supervision, et les prêteurs et les assureurs qui l’utilisent pour évaluer les risques, accorder des crédits, proposer des couvertures et traiter les demandes d’indemnisation. Cette publication réunit les exemples les plus convaincants issus de ces deux groupes.
Lors de l’examen des preuves, nous avons jugé utile de classer chaque cas dans l’un des deux groupes suivants. Déploiements mesurés Les systèmes en cours d’exploitation ou ceux qui sont en principe opérationnels, avec des indicateurs de performance publicisés concernant l’adoption, la précision, le service ou le portefeuille, constituent la preuve la plus évidente que l’IA fonctionne déjà. Pilotes mesurés Ces études sont des mises en œuvre réelles avec des résultats techniques crédibles, souvent à l’avant-garde de ce que l’utilisation réelle de ces technologies va devenir. Les rapports plus généraux, issus de la Banque mondiale, de la Banque des règlements internationaux (BIS), de l’Organisation de coopération et de développement économiques (OCDE) et d’autres institutions, sont importants pour comprendre l’évolution du marché et complètent cette étude plutôt que de l’intégrer.
Cette distinction importe : les déploiements mesurés ci-dessous sont la preuve que l’IA fonctionne déjà dans ce secteur. Ces essais à petite échelle sont un bon signe de ce qui va devenir généralisé.
Où les autorités réglementaires trouvent une valeur pratique
La recherche montre que, pour l’instant, les exemples les plus convaincants de la part des régulateurs ne sont pas les “ superviseurs d’IA ” futuristes. Ce sont des applications concrètes qui améliorent la qualité et la rapidité des activités que les régulateurs effectuent déjà : traitement des plaintes, surveillance des marchés, détection de fraudes et vérification des données.
Exemple 1. Brésil : la recherche d’anomalies dans un registre de crédit très important, et la précision quant au nombre de cas couverts par ce registre.
Le Banco Central do Brasil a testé des techniques d’apprentissage automatique pour détecter les anomalies potentielles dans les demandes de renseignement auprès de son registre public de crédit, le SCR. En collaboration avec la Société financière internationale (IFC), il a appliqué un modèle de forêt isolée à des données relatives aux prêts liés aux salaires tirées d’un ensemble de données de 55 millions de prêts, afin de les comparer avec un registre qui traite 1,1 milliard d’opérations par mois (Étude de cas de l'IFC, mai 2025). Le modèle a détecté 278 prêts comme potentiels outliers chez neuf institutions. Sur les 206 cas où la banque centrale a reçu des commentaires de huit d’entre elles, 179 ont été confirmés comme des problèmes réels, soit un taux de précision de 87 %. Après avoir segmenté les emprunteurs à revenu élevé du reste du portefeuille et les avoir retravaillés, le taux de précision est passé à 97 %.
L’échantillon validé comprend 206 cas, et non le registre complet. C’est un exemple fort de suptech car le problème est spécifique, le modèle soutient un processus de contrôle existant et les performances peuvent être mesurées. Il devrait être décrit comme suit : pilote mesuré sauf si des preuves publiques indiquent que cette approche a été appliquée de manière générale dans tout le registre et a permis d'enregistrer des améliorations constantes au fil du temps.
Exemple 2. Les Philippines : rendre la gestion des plaintes accessible
Le Bangko Sentral ng Pilipinas’ Online Buddy, ou BOB, est l’un des exemples les plus clairs de protection des consommateurs utilisant l’IA sur les marchés émergents. Il permet aux consommateurs de déposer leurs plaintes via un canal numérique et utilise le traitement du langage naturel pour catégoriser et orienter les cas.
Une évaluation d’Innovations for Poverty Action a récemment analysé 1 372 534 messages envoyés à BOB au cours de sa première année d’activité, de août 2020 à juillet 2021 (IPA, 2022). BOB a correctement classé 55 % des plaintes immédiatement, montant à 74 % après des questions de suivi. Seule 20 % des interactions avec le chatbot ont abouti à un message final dans le flux de conversation. Ce taux de décrochage est aussi révélateur que le chiffre de précision : il nous indique où le design perd encore des utilisateurs, ce qui est exactement le type de métrique de flux de travail qu’un régulateur devrait suivre et publier régulièrement. L’évaluation elle-même a maintenant plusieurs années d’antiquité et, jusqu’à présent, elle n’a pas été mise à jour publiquement. Cette combinaison de rapports du régulateur et d’évaluations indépendantes rend encore BOB particulièrement utile : elle fournit des preuves quant à l’adoption, aux performances du système et aux points de déconnexion des utilisateurs.
Cela démontre également un principe de conception important. La valeur n’a pas été créée en inventant une fonction de surveillance entièrement nouvelle. Elle est née de l’amélioration de l’accès à un processus de plaintes existant et de la transformation de messages non structurés en données de surveillance utilisables.
Exemple 3. L’Inde : détection d“” accounts mules » avant que des fonds frauduleux ne disparaissent
La dernière addition à la liste de suptech résout un problème que les autres cas ici ne traitent pas directement : identifier les “ comptes mules ”, qui sont utilisés pour recevoir et transférer les fonds issus de la fraude financière grâce à Internet. L’unité d’innovation de la Reserve Bank of India (RBI), le Reserve Bank Innovation Hub, a créé MuleHunter, un modèle d’apprentissage automatique qui analyse les données relatives aux transactions et aux comptes pour détecter ces comptes mules en s’appuyant sur des modèles comportementaux connus. Il a été testé auprès de deux banques du secteur public en 2024 et cité par le gouverneur de la RBI dans la déclaration de politique monétaire de décembre 2024. Une réponse relative au droit à l’information communiquée en décembre 2025 indiquait que 23 banques l’avaient adoptée. En mai 2026, le Département des services financiers a ordonné publiquement aux banques d’accélérer l’adoption de cette technologie.
Ce chiffre d’adoption mérite d’être mentionné pour une raison qui va au-delà du nombre lui-même. Il n’a pas été communiqué par la RBI ou le vendeur. Il est apparu suite à une demande d’information indépendante, une forme de provenance plus solide que la plupart des chiffres dans ce domaine. Veuillez noter que nous n’avons pas trouvé de pourcentage de précision vérifié provenant d’une source principale de la RBI, et toute donnée circulant dans les médias secondaires doit être considérée comme non confirmée jusqu’à ce que la banque centrale publie directement un chiffre.
Le Pérou, le Ghana et l’Indonésie : des travaux prometteurs qui progressent encore vers une réalisation tangible
La Superintendencia de Banca, Seguros y AFP du Pérou, la Banque du Ghana et l’Otoritas Jasa Keuangan (OJK) d’Indonésie ont tous mis en place des outils de surveillance et de traitement des plaintes du marché utilisant l’IA, en utilisant le scraping des médias sociaux, l’analyse de sentiments, les chatbots, la gestion des dossiers de plaintes et des tableaux de bord de supervision.
Ces initiatives sont crédibles et méritent d’être suivies de près. Certaines ont déjà traité des volumes substantiels de commentaires publics et ont produit des interfaces de surveillance utilisables. Ce qu’elles n’ont pas encore rendu public, c’est la même profondeur d’éléments d’analyse permettant de mesurer les résultats, tels que les changements durables dans les résultats des consommateurs, l’efficacité de l’application de la loi ou la productivité des autorités de surveillance, mesurés au fil du temps. Cela représente moins un verdict sur la technologie que le signe de la position de chaque programme sur sa propre courbe, antérieure à celle du Brésil, des Philippines et de l’Inde, mais sur la même trajectoire. Elles figurent dans la base de données comme suit : pilotes mesurés, le groupe le plus susceptible de réaliser le prochain déploiement à maturité.
3 leçons tirées des affaires réglementaires ressortent
Tout d'abord, l'IA fonctionne mieux lorsqu'il est intégré à un processus de supervision existant Avec un véritable blocage opérationnel. Les plaintes arrivent sous forme de textes non structurés. Les notifications au registre contiennent des anomalies. Les réseaux de transactions cachent des comptes frauduleux. Les discussions publiques révèlent des risques de comportement émergents. Ces problèmes sont bien définis.
Deuxièmement, Les indicateurs de flux de travail sont importants, Les chiffres honnêtes comprennent les chiffres inconfortables. Un régulateur devrait pouvoir mesurer l’exactitude des classifications, les faux positifs, les taux de réussite et de rejet des cas, les cas traités et le fait que les mesures de surveillance aient amélioré quelque chose, et non seulement les volumes globaux.
Troisièmement, Les chiffres provenant de sources indépendantes sont plus fiables que ceux fournis par les personnes concernées elles-mêmes.. Le numéro d’enregistrement de la RBI provient d’une demande de droit à l’information. L’évaluation de la BOB provient d’une organisation de recherche indépendante, et non du propre service de communication du régulateur. Cette distinction devrait déterminer le poids que chacun d’entre nous accordera à une quelconque affirmation.
Là où les prêteurs et les assureurs disposent de preuves plus solides
Du côté des fournisseurs de services financiers (FSP), les prêteurs, les émetteurs de cartes de crédit, les entreprises de finance agricole et les assureurs, les bases de données sont plus complètes, notamment en matière d’acceptation de crédit et de conception de produits. Mais c’est aussi là que l’attribution devient problématique. Un prêteur peut disposer d’un portefeuille important, d’une croissance rapide et d’un modèle d’IA. Cela ne signifie pas automatiquement que l’IA a été à l’origine des résultats obtenus par ce portefeuille.
MYbank : un prêt automatisé aux PME à une échelle significative, présenté honnêtement
Le modèle “ 3-1-0 ” de MYbank, qui consiste en une demande de crédit de trois minutes, une approbation en un second et aucune intervention manuelle, est l’un des exemples les plus emblématiques de souscription automatisée pour les petites et moyennes entreprises (PME). Ce modèle utilise des données transactionnelles et écosystémiques pour évaluer les entreprises qui ne disposent pas de déclarations financières ou de garanties traditionnelles.
Le chiffre le plus récent que je puisse fournir est de 53 millions de PME desservies cumulativement, révélé par Ant Group et MYbank en avril 2024 dans le cadre du rapport annuel de MYbank pour 2023 (Businesswire, avril 2024). Une référence antérieure de la IFC de 2020 indiquait 45 millions de PME desservies et un taux de défaut proche de 1,5 %, soit environ 60 % de moins que la moyenne de l’industrie à l’époque. Nous n’avons pas trouvé de mise à jour indépendante plus récente pour ces deux chiffres, donc nous indiquons les deux dates explicitement plutôt que de présenter ces chiffres comme des performances actuelles.
Un contexte mérité d’être mentionné : les chiffres les plus importants proviennent des déclarations de MYbank et de l’Ant Group, véritables et substantielles, bien qu’elles n’aient pas été vérifiées indépendamment. La déclaration la plus claire, et qui en soi est forte, est que l’assurabilité basée sur l’IA a été intégrée avec succès dans l’un des plus importants programmes de prêt aux PME de partout dans le monde.
JUMO : un projet d’emprunt numérique à grande échelle en Afrique avec une évaluation indépendante de la protection des clients
Un exemple instructif sur la question de la vérification indépendante est JUMO, la plateforme d’infrastructure de prêt panafricaine opérant au Ghana, au Kenya, en Tanzanie, en Zambie, en Ouganda, en Côte d’Ivoire, en Afrique du Sud et au Cameroun. JUMO rapporte $7,9 milliards déboursés auprès de plus de 31 millions de personnes depuis 2015, un chiffre communiqué par l’entreprise avec les mêmes précautions d’attribution que celui de MYbank.
Ce qui le distingue, c'est que JUMO est devenu Premier prestataire de services financiers numériques évalué selon la norme de protection des clients Cerise+SPTF, un examen effectué par un tiers, a obtenu un score de 92,2 %. C’est une rare occasion dans ce domaine où un tiers, plutôt que l’entreprise elle-même, est à l’origine du chiffre annoncé.
Konfío : le cas rare avec un groupe de comparaison réel
La plupart des exemples de prêts dans ce domaine comparent un portefeuille à lui-même, avant et après, ou à la moyenne de l’industrie. Konfío, un prêteur fintech mexicain utilisant un scoring de crédit basé sur l’IA pour les micro, petites et moyennes entreprises (PME), est l’un des rares à proposer une évaluation véritable. Une analyse d’IDB Invest, l’organisation privée du Fonds d’Investissement de l’Association des États américains (IDB), a comparé les entreprises ayant reçu un prêt Konfío avec des candidats similaires ayant été rejetés. Deux ans plus tard, les emprunteurs ayant reçu un financement Les ventes ont augmenté de 19,4 % par rapport au groupe de comparaison écarté, et de 41,9 % chez les entreprises détenues par des femmes. (IDB Invest).
Ce modèle de groupe de comparaison impose un critère d’appréciation des preuves bien plus strict que la simple histoire de « avant et après ». C’est pourquoi nous préférons Konfío à la plupart des exemples de scoring de crédit qui circulent dans ce secteur. Cela ne règle pas tous les problèmes. IDB Invest est également un investisseur dans l’entreprise, donc l’évaluation n’est pas totalement objective. Mais c’est C’est l’élément le plus proche, dans cette liste, d’un scénario fictif, et il devrait servir de point de référence lorsque les prêteurs affirment que leur modèle d’assurance-crédit “ améliore les résultats ”.”
Eshandi en Zambie : des preuves prometteuses concernant les inégalités entre les sexes, mais pas de preuve de causalité
Eshandi utilise un système d’évaluation basé sur l’apprentissage automatique dans son produit de microcrédit mobile et a accordé près d’un million de prêts à des femmes. Une analyse au niveau des emprunteurs dans un rapport de l’IFC de 2026 a révélé que les femmes obtiennent un score de crédit légèrement supérieur dans le modèle lui-même et ont plus de chances de devenir des emprunteuses récurrentes (IFC, “ Cracking the Credit Code ”, mai 2026). Le rapport est prudent quant à la signification de ces termes, notant que la plupart de ces modèles sont conçus de manière neutre quant au genre et que les gains d’inclusion de ce type sont en grande partie accidentels plutôt que conçus de manière systématique.
C’est le niveau de prudence approprié. Les preuves montrent qu’il y a association entre le modèle de scoring, le comportement des emprunteurs récidivistes et le sexe. Cela ne prouve pas en soi que l’IA a augmenté l’inclusion financière des femmes ou a entraîné de meilleurs résultats économiques. Le cas est utile précisément parce qu’il soulève les bonnes questions suivantes : qui pénètre dans le canal de distribution, qui est sélectionné, qui verse des paiements et si le modèle reproduit ou réduit accidentellement ou de manière délibérée les disparités entre les sexes.
Vexi au Mexique : l’utilisation du produit est tout aussi importante que l’approbation
La carte de crédit numérique de Vexi combine l’analyse de données alternatives avec des recherches directes auprès des clients. Le même rapport de l’IFC de 2026 a interrogé plus de 3 000 emprunteurs de Vexi et a constaté que les femmes qui exploitaient des entreprises privées ou familiales utilisaient la carte pour leurs dépenses professionnelles à un taux plus élevé que les hommes dans le même sondage, et que leurs limites de crédit moyennes dépassaient celles des hommes après environ quatre ans d’utilisation de la carte.
Cela rend Vexi bien plus qu’une histoire de scoring de crédit. C’est un exemple de conception de produit montrant comment l’accès à un crédit numérique flexible peut soutenir les entreprises familiales et les entreprises gérées par des femmes au fil du temps, et non seulement au moment de l’approbation. La même prudence s’applique à l’égard d’Eshandi : Les taux d’utilisation et la croissance des limites de crédit étudiés sont des indices d’utilisation d’un produit inclusif, et non la preuve que le modèle d’assurance seule a contribué à la croissance des activités.
L’agriculture financière et l’assurance climatique : une dimension réelle, une attribution de l’IA plus difficile
Deux prêteurs et assureurs africains, Apollo Agriculture et Pula, appartiennent à cette même catégorie de FSP, et ils démontrent une réelle dimension alors qu’ils illustrent pourquoi les réclamations liées à l’IA doivent être séparées des résultats des produits et pourquoi un objectif et un résultat ne sont pas la même chose.
Apollo combine une évaluation de crédit basée sur des données avec des conseils agronomiques et des assurances pour les petits agriculteurs au Kenya et, plus récemment, en Zambie. Dans une étude de cas britannique publiée en 2024, l’objectif est d’atteindre plus de 2,3 millions d’agriculteurs d’ici 2026. C’est un objectif à long terme, et non un résultat immédiat. Les derniers chiffres de couverture que nous pouvons retrouver indiquent une couverture actuelle d’environ 400 000 agriculteurs sur les deux marchés, alors que l’activité en Zambie compte encore environ 30 000 agriculteurs après ses 18 premiers mois d’existence. Les chiffres concernant les rendements et le bien-être des agriculteurs, notamment une moyenne de 2,6 fois supérieure à celle des autres agriculteurs kenyans, sont tirés d’études entreprises par l’entreprise et ses investisseurs, et non d’une évaluation indépendante. La prétention défendable est que Apollo a construit un modèle d’agro-finance à l’échelle mondiale et en ligne qui continue de se développer vers ses objectifs déclarés, et non que l’IA ait été prouvé indépendamment pour augmenter les rendements ou la résilience climatique. Ces résultats sont influencés par le crédit, les semences, les engrais, les conseils, la météo, l'assurance et le comportement des agriculteurs ensemble.
Pula utilise des données satellitaires, météorologiques et agronomiques dans la conception des assurances agricoles, le calcul des tarifs et les processus de sinistres. Selon les informations actuelles de la société, elle a assuré 20,1 millions de fermiers dans 22 pays, déboursé $133,9 millions en indemnités à 2,8 millions de fermiers et protégé $2,6 milliards d’investissements agricoles. En octobre 2024, Pula a procédé à la plus importante indemnisation agricole de l’Afrique, soit plus de $29 millions pour plus de 800 000 fermiers en Zambie suite à une grave sécheresse. Ces données sont importantes : les assurances ne créent de résilience que lorsque les polices sont distribuées à grande échelle et que les indemnités sont versées rapidement, mais le nombre de fermiers assurés et le montant versé démontrent l’ampleur et le rendement de l’activité d’assurance. Ils ne font pas abstraction de la contribution supplémentaire apportée par l’apprentissage automatique ou l’analyse par satellite. Pula est un bon exemple de cas d’assurance climatique grâce à un modèle opérationnel basé sur l’IA, et non une expérience contrôlée de l’impact de l’IA sur la résilience.
Un meilleur test pour les études de cas en IA
Pour les conseils d'administration, les autorités de réglementation et les organismes de supervision, nous appliquons cinq critères avant d'appeler une initiative en matière d'IA réussie.
- Le système est-il réellement utilisé ? Un prototype fonctionnel est utile, mais ce n’est pas une production.
- La composante IA est-elle clairement identifiée ? “Les termes ” numériques “ et ” basés sur l’IA » sont souvent utilisés de manière trop générale.
- Les résultats concernent-ils le modèle ou uniquement l’institution ? La croissance du portefeuille d’un prêteur ne prouve pas que son algorithme ait fonctionné.
- Les mesures sont-elles vérifiées indépendamment ? Les chiffres communiqués par l’entreprise peuvent être utiles, mais ils doivent être qualifiés comme tels ; un groupe de comparaison authentique, comme celui qui sous-tend l’évaluation de Konfío ou une donnée indépendamment obtenue, comme celle qui sous-tend le déploiement du programme mule en Inde, devrait avoir plus de poids que le communiqué de presse de l’entreprise elle-même.
- Les résultats sont-ils mesurés pour les clients ainsi que pour l’institution ? Un traitement plus rapide est utile. Un meilleur accès, des décisions plus équitables, des pertes moins importantes et une meilleure résilience sont plus importants.
Que cela signifie pour les régulateurs et les FSPs
Les preuves sont désormais suffisamment solides pour aller au-delà de l’expérimentation générale, mais pas suffisamment solides pour suspendre le jugement.
Pour les autorités de régulation, le traitement des plaintes, les contrôles de qualité des données, la détection de fraudes et d’opérations frauduleuses ainsi que la surveillance ciblée du marché constituent des points de départ pratiques. Elles utilisent des données existantes, résolvent les problèmes apparents et permettent aux superviseurs humains de rester responsables.
Pour les prêteurs et les assureurs, l’underwriting de données alternatives et la prise de décisions automatisée se développent déjà, notamment auprès des consommateurs ayant un faible profil d’affaires, des femmes, des PME et des petits agriculteurs. Les exemples les plus convaincants mesurent l’inclusion à l’ensemble de la chaîne de valeur, de la demande à l’approbation, en passant par les limites, les tarifs, la réutilisation, le remboursement et les résultats pour le client. L’évaluation des groupes comparés de Konfío constitue la norme à atteindre, et un nombre croissant de sociétés du secteur sont capables de la réaliser plutôt que de s’en contenter actuellement.
Pour les investisseurs et les institutions de développement qui financent les deux parties de cette équation, la question de la diligence raisonnable consiste à déterminer quelle décision a été modifiée, quelles preuves montrent que cette décision est préférable et qui en bénéficie, plutôt que de simplement s’interroger sur le fait que l’entreprise utilise ou non l’IA.
Les régulateurs détectent déjà les fraudes et éliminent plus rapidement les arriérés de plaintes. Les prêteurs atteignent les emprunteurs qui étaient invisibles pour les assureurs conventionnels. Les assureurs paient les demandes de remboursement en quelques jours au lieu de quelques mois. Les preuves de l’utilisation de l’IA dans les services financiers sont plus solides et plus spécifiques que ce que le circuit des conférences les attribue habituellement. La tâche aujourd’hui est de continuer à développer cette base de données avec la même rigueur avec laquelle ces exemples ont été évalués, afin que la prochaine vague de cas puisse s’y rattacher. Les gagnants dans ce secteur ne seront peut-être pas les institutions disposant des budgets les plus importants en IA. Ils pourraient bien être ceux qui pourront démontrer leur travail.
