Un an après une première réunion sur l’intégration de l’intelligence artificielle dans l’analyse de crédit, la commission Crédit de la SFAF s’est penchée sur les cas d’usage désormais pratiqués par ses membres.
Ces développements illustrent la transformation en cours du métier d’analyste crédit. Les grands modèles de langage (LLM, large language models) s’imposent comme des outils d’assistance au quotidien. Cependant, à ce stade, les gains opérationnels restent modestes pour les tâches complexes. Cette frontière évolue rapidement.
Sur le plan humain, le recours à l’IA(1) pour des tâches simples et répétitives, habituellement confiées aux plus juniors et intégrées à un parcours d’apprentissage, pose la question de l’acquisition des compétences fondamentales pour les différentes générations d’analystes et celle du renouvellement des effectifs. Enfin, l’analyse financière a pour objectif d’exprimer une opinion. Or, les modèles LLM fonctionnent à partir de probabilités. Est-ce la meilleure approche pour exprimer une opinion crédit et une recommandation d’investissement, toutes deux prospectives ?
Cet échange entre membres de la commission Crédit a permis d’établir un nouvel inventaire des cas d’usage observés. Il s’agit d’un échantillon, mais il permet de regrouper ces pratiques en quatre catégories, des plus avancées aux plus exploratoires, et des plus simples aux plus complexes :
- Assistance bureautique, notamment pour la rédaction, la traduction, la prise de notes et la préparation de comptes rendus. L’adoption est en cours de généralisation dans beaucoup de postes.
- Assistance à la collecte d’informations : synthèses sectorielles, analyse des covenants, revue des plans de transition, lecture des résultats financiers, reconstitution de tableaux de données à partir de graphiques (images). Les principales barrières sont liées à la qualité des données utilisées.
- Traitement automatisé de sources d’information standardisées : retraitement des données publiées par les émetteurs d’obligations foncières ou d’obligations vertes (conformité à des critères préétablis), pré-remplissage des modèles d’analyse financière à partir de documents comptables, mise en place de tableaux de bord quotidiens à partir de données de marché.
- Tests en cours et pistes d’exploration : analyse des ajustements comptables, optimisation de portefeuilles (y compris via des approches de type « relative value »), recherche de signaux faibles dans les informations de marché (anomalies, sentiment), expérimentations de production de rapports d’analyse financière sur des situations simples (émetteurs largement couverts et présentant une grande stabilité financière, ou un risque de crédit faible).
En un an, l’usage quotidien de l’IA est devenu la norme et la liste des cas d’usage s’est considérablement enrichie. L’IA s’affirme comme un outil d’aide à l’analyse, et non comme un outil d’analyse. Certaines tâches ponctuelles et mécaniques peuvent être réalisées plus rapidement avec son assistance, ce qui doit permettre à l’analyste de se concentrer sur la mise en perspective. L’analyste demeure le garant de la qualité des résultats et conclusions. Par ailleurs, en démultipliant la capacité de collecte et de synthèse de l’information, le métier d’analyste crédit s’élargira vers de nouveaux domaines, dont peu sont identifiés à ce jour.
À ce stade, les gains nets de productivité restent limités. D’abord, la sécurité des données demeure une priorité et freine la diffusion d’outils externes : ces solutions doivent être validées et sont souvent déployées avec des fonctionnalités limitées. Ensuite, leur évolution rapide impose une formation continue, consommatrice de temps. La préparation des requêtes (prompting), qui requiert des phases de test et des mises à jour régulières, est, elle aussi, chronophage. Surtout, la confiance dans la fiabilité des résultats reste mesurée : les hallucinations demeurent fréquentes et la qualité n’est pas toujours au rendez-vous. Par exemple, si les traductions vers l’anglais fonctionnent correctement, les résultats de l’anglais vers le français sont souvent moins satisfaisants. La vérification des outputs est donc impérative… et prend du temps. Les mises à disposition de modèles de langages (internes ou externes) aux équipes d’analyse crédit sont très variables et répondent souvent aux priorités stratégiques des entreprises.
À quoi pourraient servir, à terme, ces gains de productivité sur le plan humain ? Deux axes semblent se dessiner : augmenter la couverture par analyste, ou maintenir une couverture identique avec un effectif réduit. Dans ce contexte, l’IA bouscule la collaboration juniors-seniors et la transmission du savoir. En effet, ce sont souvent les tâches simples et répétitives, celles qui permettent un apprentissage graduel du métier, qui sont les premières confiées à l’IA. Le besoin de recourir à des analystes juniors est réduit. Or, ce virage semble s’amorcer alors même que la fiabilité des outils n’est pas encore pleinement au rendez-vous. Face à ces mutations, de nouvelles questions se posent. Si certaines tâches sont déléguées à l’IA, qui conserve le savoir-faire ? Comment les compétences se renouvellent-elles au sein des établissements ? Comment assurer la relève sans accorder du temps à la formation des plus jeunes ? La commission prévoit de suivre ces avancées à intervalles réguliers.
(1) L’utilisation de l’IA dans les métiers autour de l’analyse financière a également fait l’objet d’une réflexion de la part de la commission Evaluation de la SFAF ; la synthèse « Evaluation et IA » publiée le 27 janvier 2026 est à retrouver via ce lien.