Inclusion financière et intelligence artificielle : ce que les algorithmes débloquent réellement — et ce qu’ils risquent de reproduire.
Il y a une statistique que le secteur bancaire aime citer, et une autre qu’il évoque moins volontiers.
La première : 79 % des adultes dans le monde possèdent aujourd’hui un compte — bancaire, en institution financière ou en mobile money —, contre 51 % en 2011. Dans les économies à revenu faible et intermédiaire, ce taux atteint 75 %. C’est une progression historique, portée avant tout par le téléphone mobile.
La seconde : 1,3 milliard d’adultes restent totalement en dehors du système financier formel. Plus de la moitié d’entre eux vivent dans huit pays seulement — Bangladesh, Chine, Égypte, Inde, Indonésie, Mexique, Nigéria, Pakistan. Les femmes représentent 55 % de cette population. Et si l’on ajoute les comptes ouverts mais dormants, on approche plutôt les 1,6 milliard de personnes exclues ou mal servies.
Autrement dit : la vague de la digitalisation a fait le plus facile. Elle a bancarisé les populations les plus accessibles, les plus urbaines, les plus documentées. Ce qui reste est structurellement plus dur — et c’est précisément là que l’intelligence artificielle est aujourd’hui présentée comme la prochaine rupture. À juste titre, mais pas sans conditions.
1. Pourquoi le modèle bancaire classique bute sur le « dernier milliard »
Trois verrous expliquent l’essentiel de l’exclusion, et aucun n’est idéologique. Ils sont économiques.
Le verrou de la donnée. Une banque ne prête pas à quelqu’un qu’elle ne sait pas évaluer. Or le scoring traditionnel repose sur un historique de crédit, des bulletins de salaire, une centrale des risques. Le commerçant informel, la vendeuse de marché, le chauffeur de VTC, le jeune diplômé sans passé bancaire : tous sont invisibles statistiquement. Ils ne sont pas jugés risqués — ils sont non notables. C’est différent, et bien pire.
Le verrou du coût unitaire. Ouvrir un compte, vérifier une identité, instruire un dossier, gérer un incident : le coût de traitement est à peu près identique pour un crédit de 200 € et pour un crédit de 200 000 €. Sur des petits montants, la marge ne couvre pas le processus. Le client pauvre n’est pas exclu par malveillance, il est exclu par arithmétique.
Le verrou de la distance et de la langue. Distance physique à l’agence, mais surtout distance culturelle : formulaires en langue officielle et non vernaculaire, jargon contractuel, faible littératie financière. Le Findex 2025 rappelle d’ailleurs que la défiance est un frein massif — 22 % des adultes non bancarisés dans les pays à revenu faible et intermédiaire déclarent ne pas faire confiance aux institutions financières, et près d’un sur trois en Amérique latine.
L’IA n’intéresse le sujet de l’inclusion que dans la mesure où elle attaque ces trois verrous. Voyons où elle le fait vraiment.
2. Là où l’IA change réellement l’équation
Le scoring alternatif : noter ceux qui n’ont pas d’histoire
C’est l’usage le plus transformateur. Les modèles d’apprentissage automatique savent extraire un signal de solvabilité de données qui n’étaient pas conçues pour cela : régularité des paiements de loyer et de factures d’énergie, historique de recharges télécom, flux de mobile money, saisonnalité des encaissements d’un commerçant, données de transaction agrégées.
L’effet est double. On sort du binaire « dossier complet / pas de dossier », et l’on remplace une photographie statique par une évaluation dynamique. Un microentrepreneur dont le chiffre d’affaires est irrégulier mais croissant devient lisible — là où un score classique le rejetait pour défaut de CDI.
En Afrique de l’Est, en Inde, aux Philippines, ce mécanisme a déjà permis d’ouvrir des lignes de crédit de très petits montants à des populations que le crédit formel n’avait jamais touchées. Et le point important est celui-ci : chaque remboursement construit un historique. Le premier micro-crédit est un ticket d’entrée dans le système.
La compression du coût de servir
L’automatisation de l’onboarding et du KYC (reconnaissance de documents, vérification biométrique, contrôle de vivacité) fait tomber le coût d’acquisition d’un client de plusieurs dizaines d’euros à quelques centimes. C’est ce qui rend viable un compte à faible solde.
Même logique pour la détection de fraude et de blanchiment : des modèles comportementaux plus fins réduisent les faux positifs, donc les blocages de comptes injustifiés — un motif d’abandon très sous-estimé chez les clients modestes, pour qui un compte gelé pendant dix jours est une catastrophe de trésorerie.
La levée de la barrière linguistique
C’est l’apport le plus récent, et sans doute le plus sous-estimé. Les modèles de langue permettent aujourd’hui d’interagir en wolof, en haoussa, en swahili, en créole, à l’oral, avec quelqu’un qui ne lit pas. Un assistant vocal capable d’expliquer un TAEG, de lire un relevé, d’alerter avant un découvert, résout un problème que trente ans de brochures pédagogiques n’ont pas résolu.
C’est le passage de l’accès à l’usage — la vraie frontière de l’inclusion financière. Ouvrir un compte ne sert à rien si personne ne s’en sert.
3. Le revers : l’IA sait aussi automatiser l’exclusion
Il faut être clair : rien dans la technologie ne garantit un résultat inclusif. Quatre risques méritent d’être nommés.
Le biais hérité. Un modèle entraîné sur l’historique d’une banque apprend les décisions passées de cette banque — y compris ses préférences implicites pour les profils stables, urbains, salariés, masculins. Il ne « corrige » pas la discrimination : il l’apprend, la systématise et la passe à l’échelle, avec l’autorité rassurante d’un chiffre. Le risque n’est pas l’algorithme raciste ou sexiste, il est le proxy : le code postal, le modèle de téléphone, l’opérateur télécom sont d’excellents substituts statistiques de l’origine ou du niveau de revenu.
Le prix caché de la donnée. Le scoring alternatif fonctionne parce qu’il observe beaucoup. Où s’arrête l’observation légitime ? Les données de géolocalisation, les contacts, les habitudes de navigation ont une valeur prédictive réelle — et un coût démocratique tout aussi réel. Une inclusion payée par une surveillance permanente des plus pauvres n’est pas une inclusion.
L’opacité et l’absence de recours. Un client dont le crédit est refusé a droit à une explication intelligible et à une contestation. Un modèle non explicable transforme le refus en verdict sans appel, sans possibilité de corriger une donnée erronée. C’est un enjeu de dignité autant que de conformité.
La fracture numérique. Environ 900 millions d’adultes non bancarisés possèdent un téléphone — mais tous n’ont pas de smartphone, ni de connexion stable, ni d’identité numérique. Tout parcours 100 % digital, aussi élégant soit-il, laisse mécaniquement des gens dehors. Le canal humain assisté reste indispensable.
4. Le cadre réglementaire : un répit, pas une dispense
En Europe, le scoring de solvabilité des personnes physiques est classé « à haut risque » par l’AI Act (annexe III). Les obligations associées — gestion des risques, gouvernance et tests de biais sur les données d’entraînement, documentation technique, journalisation, transparence, supervision humaine effective — devaient s’appliquer au 2 août 2026.
Le calendrier a bougé cet été. Le « Digital Omnibus » entré en vigueur fin juillet 2026 reporte l’application du régime haut risque des systèmes de l’annexe III au 2 décembre 2027 (et au 2 août 2028 pour l’IA embarquée dans des produits réglementés). Les obligations de transparence de l’article 50, elles, s’appliquent bien depuis le 2 août 2026.
Il serait imprudent de lire ce report comme une invitation à attendre. La mise en conformité d’un modèle de décision — inventaire, traçabilité, tests d’équité, dispositif de recours — se compte en trimestres, pas en semaines. Et surtout, la réglementation sectorielle bancaire, le RGPD et les attentes des superviseurs (ACPR, EBA) continuent de s’appliquer sans délai.
5. Cinq principes pour une IA réellement inclusive
Pour les établissements qui veulent faire de l’IA un levier d’inclusion et non un accélérateur de tri social :
- Mesurer l’inclusion comme on mesure le risque. Suivre les taux d’acceptation et de tarification par genre, âge, géographie, statut professionnel. Ce qui n’est pas mesuré ne s’améliore pas.
- Tester les proxys, pas seulement les variables. Retirer le genre du modèle ne suffit pas s’il reste dix variables qui le reconstituent.
- Garantir un droit au recours humain. Toute décision défavorable doit être explicable en une phrase compréhensible et contestable devant une personne.
- Concevoir pour le canal le plus faible. Si le parcours ne fonctionne pas en vocal, en langue locale et sur un téléphone d’entrée de gamme, il n’est pas inclusif.
- Traiter la donnée alternative avec parcimonie. La question n’est pas « que puis-je collecter ? » mais « qu’accepterais-je qu’on collecte sur moi ? ».
Conclusion
L’inclusion financière n’a jamais été un problème de bonne volonté. C’était un problème de coût et d’information — et l’IA attaque frontalement ces deux dimensions. Pour la première fois, servir un client à 50 € de dépôt moyen peut être rentable, et évaluer quelqu’un sans historique peut être rigoureux.
Mais la même technologie qui permet de dire « oui » à des millions de personnes permet aussi de dire « non » plus vite, plus massivement et plus discrètement qu’aucun comité de crédit dans l’histoire. Ce qui départagera les deux trajectoires n’est pas la performance des modèles. Ce sont les choix de gouvernance faits en amont : quelles données, quels tests, quelle transparence, quel recours.
La technologie a levé l’excuse de l’impossibilité économique. Reste la responsabilité.
Sources
- Banque mondiale, Global Findex Database 2025 (juillet 2025) — enquête auprès de ~145 000 adultes dans 141 économies.
- CGAP, Findex 2025: Why Financial Inclusion Needs to be More Responsible (2025).
- Accion, analyse du Global Findex 2025 (juillet 2025).
- Règlement (UE) 2024/1689 (AI Act), annexe III, point 5(b) — scoring de crédit.
- « Digital Omnibus on AI » — entrée en vigueur le 27 juillet 2026, report des obligations haut risque annexe III au 2 décembre 2027.
- ACPR / AEFR, travaux sur le machine learning et les nouvelles sources de données pour le scoring de crédit.
Laisser un commentaire