Les opportunités offertes aujourd'hui par l'IA dans le domaine de l'octroi de prêts hypothécaires

« Quels sont les obstacles qui freinent actuellement l'adoption de l'IA dans le domaine des prêts hypothécaires ? »

C'est une question d'une simplicité trompeuse, car les réponses faciles telles que « les modèles ne sont pas assez performants » ou « les documents sont trop désordonnés » ne sont pas correctes. Au contraire, Geert van Kerckhoven, fondateur et PDG d'Oper, affirme :

« Le seul obstacle aujourd'hui est que, du point de vue de la conformité et des risques, la visibilité sur les réglementations est limitée... Si ce n'est pas clair, la réponse est : ne le faisons pas. »

Techniquement, les éléments constitutifs des prêts hypothécaires basés sur l'IA sont déjà là :

• Les modèles de vision-langage compatibles avec la reconnaissance optique de caractères (OCR) et la mise en page permettent d'extraire de manière fiable les champs des fiches de paie, des déclarations fiscales et des évaluations immobilières dans des conditions contrôlées.
• L'open banking et les réseaux nationaux de données (tels que le HDN néerlandais et la vérification des revenus de l'UWV) permettent de valider les revenus et les biens immobiliers en quelques minutes.
• Les grands modèles linguistiques (LLM) peuvent lire les manuels de souscription, expliquer les polices et même assembler les justifications des décisions.

Ce qui régit le rythme en Europe, ce n'est pas la capacité des modèles, mais trois éléments :

1. Clarté réglementaire – La loi européenne sur l'IA classe explicitement l'IA utilisée pour évaluer la solvabilité comme présentant un risque élevé, avec des obligations lourdes.
2. Gouvernance et auditabilité – Les superviseurs attendent une traçabilité documentée des données, une surveillance des modèles et un contrôle humain, conformément à des cadres tels que les lignes directrices de l'ABE sur l'octroi et le suivi des prêts (LOM).
3. Réalité des données – Sur certains marchés, tout passe par des API ; sur d'autres, les revenus continuent d'arriver sous forme de PDF numérisés, voire de fax.

La thèse : mise en œuvre progressive, axée sur la conformité

La tentation est de viser directement « l'approbation hypothécaire en un clic » : entrer dans une maison et obtenir une offre en temps réel.

« Je pense qu'il n'y a pas vraiment d'obstacle technique... Mais si vous voulez le faire immédiatement, il y a beaucoup de travail de mise en conformité à faire au préalable. »

Au lieu de cela, Oper préconise une autre voie :

• Commencez par des cas d'utilisation à faible risque, à fort retour sur investissement et à portée limitée qui n' influencent pas ou peu la décision de crédit (par exemple, classification de documents, extraction de champs clés avec révision humaine, analyse de politiques, présélection de produits).
• Enchaînez ces automatisations au fil du temps, en mettant en place la gouvernance, les pistes d'audit et le confort qui permettront à terme de prendre en charge la souscription de bout en bout.
• Concevez tout en accordant la priorité à la conformité, conformément à la loi européenne sur l'IA, à l'EBA LOM, à la DORA, au RGPD et aux attentes des autorités nationales de surveillance.

Vous pouvez réaliser des gains d'efficacité significatifs en 12 à 24 mois et préparer discrètement votre organisation à prendre des décisions entièrement automatisées lorsque la réglementation et la gouvernance interne auront rattrapé leur retard.

Qu'est-ce qui bloque réellement l'IA dans le domaine des prêts hypothécaires ?

Ambiguïté réglementaire et réalités du risque de modèle

Dans le texte final de la loi européenne sur l'IA, les systèmes d'IA utilisés « pour évaluer la solvabilité des personnes physiques ou établir leur cote de crédit » sont explicitement répertoriés comme présentant un risque élevé. Cette classification s'accompagne d'obligations strictes :

• Cadres de gestion et de contrôle des risques
• Gouvernance des données et processus qualité
• Documentation technique détaillée et journalisation
• Transparence envers les utilisateurs et supervision humaine claire
• Normes de précision, de robustesse et de cybersécurité

Dans le même temps, l'article 6, paragraphe 3, précise que les systèmes procéduraux restreints qui n'influencent pas de manière significative une décision, par exemple le classement de documents ou la transformation d'un fichier PDF en données structurées avec validation humaine, peuvent rester en dehors de la catégorie à haut risque.

Le défi réside dans le fait que la plupart des banques ne disposent pas encore d'un guide interne solide pour déterminer ce qui constitue ou non une « influence significative ». La réponse la plus sûre des équipes chargées de la conformité et des risques a donc souvent été : « Ne le faisons pas pour l'instant. »

Positionnement au risque des banques européennes après la crise

Cette prudence n'est pas apparue ex nihilo. Après la crise financière de 2008, les autorités de surveillance européennes ont redoublé d'efforts en matière de gouvernance, de documentation et de gestion des risques liés aux modèles. Les lignes directrices de l'ABE relatives à l'octroi et au suivi des prêts ont codifié ces principes pour les processus de crédit : les banques doivent démontrer que chaque décision d'octroi de prêt repose sur des données suffisantes et vérifiées, et que tous les modèles utilisés sont bien compris et contrôlés.

Ou, pour le dire plus directement :

« Si ce n'est pas clair, la réponse est : ne le faisons pas. »

Avec l'entrée en vigueur de la directive DORA, les exigences en matière de risques liés aux TIC, de journalisation et de contrôle par des tiers sont encore plus strictes. C'est une autre raison pour laquelle les projets pilotes d'IA qui traitent des données d'entrée (classification, extraction) sont tout simplement plus faciles à défendre que ceux qui prennent ou modifient directement des décisions de crédit.

Ce n'est pas un problème technique : les LLM sont performants, mais leur gouvernance est à la traîne.

D'un point de vue purement technologique, nous sommes beaucoup plus proches de la souscription automatisée que beaucoup ne le pensent :

• Les modèles de documents tenant compte de la mise en page obtiennent des scores F1 élevés sur les benchmarks publics d'extraction d'informations clés tels que SROIE et FUNSD.
• Les LLM peuvent interpréter des textes politiques longs et complexes et produire des règles lisibles par machine ainsi que des explications compréhensibles par l'homme.
• Les outils d'orchestration peuvent enchaîner ces étapes pour former des workflows complets.

Cette capacité technologique nous permet d'atteindre en grande partie notre objectif :

« Pour parvenir à une souscription entièrement automatisée, vous devez être capable de créer le profil d'un client, de lire les documents... Bon nombre de ces étapes peuvent déjà être automatisées grâce à l'IA. »

Les bloqueurs sont donc :

• Maturité de la gouvernance (inventaire des modèles, tests, surveillance)
• Documentation et explicabilité conformes aux normes réglementaires
• Confort en matière de risques et de conformité : l'IA est contrôlée, ce n'est pas une boîte noire.

Domaines dans lesquels l'IA peut créer de la valeur dès aujourd'hui (cas d'utilisation à faible risque et à fort retour sur investissement)

Classification des documents et extraction des champs clés

« Le talon d'Achille aujourd'hui est très facile à identifier. Il s'agit de l'extraction des documents papier. »

Sur les marchés riches en API, une grande partie des données relatives aux prêts hypothécaires est lisible par machine. Dans d'autres pays (comme l'Allemagne, certaines régions du Benelux et l'Europe du Sud), les justificatifs de revenus et de propriété sont encore fournis sous forme de fichiers PDF ou de scans. C'est précisément là que l'IA peut créer une valeur immédiate sans entrer dans un domaine à haut risque.

Que faire maintenant :

• Classez automatiquement les documents entrants (bulletin de paie, relevé bancaire, évaluation).
• Extrayez les champs clés (noms, adresses, revenus bruts/nets, dates, montants des prêts) avec des scores de confiance.
• Transmettez les champs peu fiables ou critiques à des réviseurs humains.

Comme il s'agit d'une transformation des données avec intervention humaine et non d'une décision de crédit autonome, elle peut être structurée de manière à rester en dehors de la catégorie à haut risque de la loi sur l'IA, à condition que les données soient validées par des humains avant d'être utilisées pour la souscription.

Extraction des politiques et application des règles

La plupart des manuels de souscription sont des fichiers PDF volumineux qui se trouvent sur des disques partagés et dans la tête des souscripteurs. Les LLM peuvent :

• Lisez ces manuels et extrayez les règles d'admissibilité (par exemple, plafonds LTV, durée minimale, conditions de stabilité des revenus).
• Les convertir en vérifications lisibles par machine (règles si/alors ou tables de décision).
• Joignez à ces contrôles des justifications rédigées dans un langage clair.

Les souscripteurs gardent le contrôle : l'IA prépare l'ensemble des règles et les applique, mais ce sont les humains qui approuvent les règles et les exceptions. Sous cette forme, il s'agit d'un soutien et d'une pré-analyse, et non d'une prise de décision automatisée.

Adéquation du produit et examen des conditions d'éligibilité

L'un des moyens les plus simples d'y parvenir est le présélectionnement intelligent :

• À partir du profil de l'emprunteur et des données extraites, l'IA filtre l'ensemble des produits pour ne retenir que les options « susceptibles d'être éligibles ».
• Il peut proposer les conditions requises en fonction des règles ci-dessus.
• Un souscripteur ou un conseiller confirme la recommandation.

Cela ne remplace pas votre politique de crédit ; cela réduit le bruit et les retouches, afin que les spécialistes puissent consacrer leur temps aux cas vraiment complexes.

Préremplissage des données à partir d'API publiques et partenaires

Sur les marchés plus numériques, l'IA et les API se renforcent mutuellement :

• Aux Pays-Bas, la norme HDN et l'Inkomensbepaling Loondienst (IBL) de l'UWV permettent aux prêteurs de vérifier les revenus salariaux directement à partir des registres de la sécurité sociale, ce qui est désormais utilisé dans des centaines de milliers de cas chaque année.
• Les données relatives aux biens immobiliers et aux adresses peuvent être extraites des API Kadaster/PDOK afin de préremplir les informations relatives aux garanties.
• En Estonie et dans certaines régions des pays baltes, l'infrastructure X-Road permet un partage rapide et sécurisé des données d'identité et d'état civil.

Il ne s'agit pas ici de « cas d'utilisation isolés de l'IA », mais plutôt d'une orchestration de l'IA (par exemple, un assistant d'admission qui sait quelles API appeler et à quel moment) qui peut transformer ces cas en une expérience d'origination entièrement guidée et fluide.

La dynamique du marché crée un sentiment d'urgence

Consolidation et expansion sans augmentation des effectifs

Dans toute l'Europe, les banques consolident leurs portefeuilles hypothécaires et cherchent à gagner en taille, mais elles ne prévoient pas de doubler leurs effectifs à mesure que les volumes augmentent.

« Je n'entends plus dire que « si j'utilise la technologie, je peux réduire mes effectifs de X ». ... C'est plutôt que je ne trouve pas les personnes qu'il me faut. Les volumes sont de retour, nous aimerions doubler la production, mais nous ne voulons pas doubler le nombre d'analystes. »

Des références externes confirment cette opportunité : le délai moyen de traitement d'un prêt hypothécaire en Europe est d'environ 40 jours ouvrables, tandis que les meilleurs acteurs du secteur s'en approchent davantage de 18 jours. Réduire le nombre de manipulations par dossier et limiter les boucles de retouche n'est pas un simple atout, c'est le seul moyen d'atteindre ces chiffres sans épuiser le personnel.

Pénurie de talents et pression due au retard accumulé

Dans ce contexte, l'IA n'est pas un outil de réduction des effectifs, mais un multiplicateur de rendement:

• Moins de tâches de saisie manuelle de données pour les souscripteurs.
• Moins d'échanges avec les clients et les courtiers pour les documents manquants.
• Des dossiers plus clairs parviennent au service de crédit, accompagnés de justifications préétablies.

C'est pourquoi nous assistons à un véritable tournant dans le sérieux opérationnel : les banques considèrent enfin leur back-office comme un facteur de différenciation concurrentiel, et non plus comme un simple centre de coûts.

Que faire ensuite ?

Si vous êtes responsable des opérations hypothécaires, directeur des risques ou responsable de la transformation IA, la voie à suivre est étonnamment concrète :

1. Choisissez deux cas d'utilisation à faible risque. Pour commencer :
   • classification des documents + extraction des champs clés, et
   • extraction des politiques + vérifications préalables d'admissibilité.
2. Intégrez les questions de risque et de conformité dès le premier jour. Mettez en correspondance les cas d'utilisation avec la loi européenne sur l'IA, l'EBA LOM, la DORA et les directives nationales. Documentez les raisons pour lesquelles ils sont préparatoires et ne présentent pas de risque élevé.
3. Mettre en place un cadre de base pour l'assurance qualité et la traçabilité. Double extraction pour les champs critiques, échantillonnage, seuils clairs et traçabilité complète des données.
4. Mesurez ce qui compte. Délai de soumission, nombre de contacts par dossier, précision de l'extraction, taux de retouches et satisfaction des clients/courtiers.
5. Itérez et enchaînez. Une fois les premières étapes stabilisées, ajoutez des contrôles de politique, une sélection des produits et une aide à la décision plus riche, toujours sous la supervision humaine et avec une gouvernance claire.

La souscription entièrement automatisée n'est plus de la science-fiction ; elle est techniquement à notre portée. La question n'est pas de savoir si vous y parviendrez, mais comment, et si vous choisirez une voie qui instaure la confiance, résiste à l'examen minutieux des autorités réglementaires et apporte une réelle valeur opérationnelle à chaque étape du processus.