01 / 05
Le défi
LendDesk, prêteur à la consommation créé deux ans plus tôt, traitait environ 400 demandes de prêt par semaine avec un ancien outil d'analyse et une petite équipe d'analystes. Chaque dossier prenait 26 heures de bout en bout. L'ambition du fondateur : doubler le volume sans doubler l'équipe, ce qui imposait d'automatiser, de tracer ou de supprimer chaque étape du processus.
Trois vrais goulots d'étranglement : l'analyse des relevés bancaires (fastidieuse et manuelle), les synthèses rédigées (les analystes écrivaient sans cesse les mêmes paragraphes) et les décisions limites (dossiers ni clairement acceptables ni clairement refusables, qui mobilisaient un analyste senior).
02 / 05
Notre approche
Nous avons construit sous Laravel une plateforme d'octroi comme système de référence : chaque demande, document, décision et événement d'audit. Par-dessus, nous avons branché trois capacités IA ciblées : un classificateur de relevés bancaires affiné (PyTorch, hébergé en interne), un générateur de synthèses (OpenAI, guidé par un schéma fixe avec relecture humaine) et un outil d'explication qui affiche les trois principaux facteurs de risque de chaque dossier limite.
Point essentiel : l'IA ne prenait jamais la décision. Chaque recommandation automatique s'accompagnait d'un panneau d'explication, et une personne signait toujours l'accord ou le refus final. Le responsable des risques restait serein et, surtout, nous respections les recommandations du régulateur sur l'analyse assistée par modèle.
03 / 05
Décisions clés
Nous avons hébergé nous-mêmes le classificateur de relevés bancaires. Envoyer le relevé complet d'un client à un LLM tiers était exclu, pour des raisons réglementaires et parce que la confiance des clients comptait énormément pour le fondateur. Un modèle open source affiné sur un petit serveur GPU a atteint 96 % de précision pour une fraction du coût.
Chaque appel à l'IA était structuré. Aucun prompt libre, aucun champ inventé. Le générateur de synthèses reçoit du JSON structuré et renvoie du JSON structuré conforme à un schéma. Des garde-fous détectent les dérives et une batterie d'évaluations nocturne signale les régressions.
Nous avons branché Chargebee pour les options par abonnement (plans de remboursement premium, assurances complémentaires). Les relances de Chargebee ont récupéré 4,2 % des revenus menacés dès le premier mois : de la marge pure.
04 / 05
Ce qui a changé
Le temps d'analyse est passé de 26 à 13,5 heures, soit une baisse de 48 %. Le volume de demandes a doublé en quatre mois sans embauche. Le profil de risque des prêts accordés est inchangé : le taux de défaut reste à moins de 2 points de base du niveau d'avant l'automatisation. L'audit PCI-DSS s'est terminé sans point bloquant ; la certification SOC-2 Type 1 est prévue au deuxième trimestre.
05 / 05
La suite
Nous créons un assistant de prêt pour les clients, une interface de chat reposant sur la même infrastructure IA, qui aide l'emprunteur à comprendre quels documents fournir et pourquoi. Les premiers essais montrent une hausse de 22 % des demandes complétées.
