La Reserve Bank of India (RBI) veut que les banques indiennes utilisent l’intelligence artificielle pour accorder des crédits à des emprunteurs que les analystes humains rejetteraient traditionnellement. Lors de la conférence FIBAC 2026 à Mumbai, le gouverneur Sanjay Malhotra a présenté une feuille de route détaillée, couvrant les usages attendus, les risques à encadrer et les exigences de gouvernance.
🔑 En bref
- La RBI demande aux banques indiennes d’adopter l’IA dans l’octroi de crédit et les opérations
- Les modèles peuvent exploiter les flux de trésorerie, les déclarations GST et les empreintes numériques
- Sept risques identifiés : opacité, biais, concentration, dépendance tierce, confidentialité, cybersécurité, érosion du jugement
- Les banques doivent documenter chaque système IA et conserver un contrôle humain effectif
- Le régulateur optera pour une approche par principes, proportionnelle au profil de risque
L’IA comme nouveau paradigme du crédit indien
Intervenant devant les dirigeants du secteur bancaire indien, Sanjay Malhotra a qualifié l’intelligence artificielle de « nouvelle façon de diriger une banque », un changement comparable à la libéralisation des années 1990 ou à la digitalisation de la décennie 2010. Le gouverneur a exhorté les établissements à choisir délibérément leur trajectoire technologique plutôt que de la subir par défaut.
« L’intelligence artificielle n’est pas une technologie unique à acheter, ni un projet à boucler. C’est une nouvelle façon de faire des affaires, de diriger une banque. »
Sanjay Malhotra, gouverneur de la Reserve Bank of India
Pour Malhotra, l’IA doit être envisagée comme « une capacité à exploiter de manière responsable, et non comme un simple risque à encadrer ». Cette posture volontariste contraste avec l’approche prudentielle souvent privilégiée par les banques centrales face aux nouvelles technologies.
Élargir le pool des emprunteurs bancables
L’enjeu principal identifié par le gouverneur concerne l’accès au crédit. Les modèles de scoring traditionnels peinent à évaluer les nouveaux emprunteurs, les travailleurs de l’économie des plateformes et les très petites entreprises sans comptabilité formelle. L’IA permet d’exploiter des sources de données alternatives : flux de trésorerie, déclarations de taxe sur la valeur ajoutée (GST), paiements de factures d’énergie et empreintes numériques.
| Source de données | Usage en scoring | Population ciblée |
|---|---|---|
| Flux de trésorerie bancaires | Évaluation de la solvabilité réelle | Travailleurs indépendants |
| Déclarations GST | Vérification du chiffre d’affaires | PME et micro-entreprises |
| Paiements de services publics | Stabilité financière du foyer | Ménages sans historique bancaire |
| Empreintes numériques | Modèles comportementaux | Nouveaux entrants dans le crédit |
Cette approche pourrait « élargir considérablement le vivier d’emprunteurs jugés bancables » tout en réduisant le coût marginal d’instruction des dossiers, a expliqué Malhotra. Les modèles de risque alimentés par l’IA aideraient aussi les banques à détecter plus tôt les signes de tension chez les emprunteurs, bien avant que les impayés n’apparaissent dans les états financiers.
Des interfaces vocales pour l’inclusion
Le gouverneur a également mis en avant le potentiel d’inclusion financière via des interfaces vocales en langues indiennes. Ces outils permettraient de franchir les barrières linguistiques pour les clients ruraux ou peu alphabétisés. Couplés à des modèles prédictifs, ils pourraient repérer les emprunteurs en risque de défaut suffisamment tôt pour déclencher un accompagnement plutôt qu’une procédure de recouvrement.
L’Inde dispose d’un atout structurel : son infrastructure publique numérique. Malhotra a cité Aadhaar (identité numérique), UPI (paiement instantané), DigiLocker (coffre-fort de documents), ONDC (réseau de commerce numérique ouvert), Account Aggregator et Unified Lending Interface (ULI) comme socles susceptibles de porter l’innovation.
« L’IA, superposée à cette stack, a le potentiel de faire pour le jugement financier ce que l’UPI a fait pour les transactions : instantané, granulaire, accessible jusqu’au dernier kilomètre. »
Sanjay Malhotra, gouverneur de la Reserve Bank of India
Lutte contre la fraude et gains de productivité
Au-delà du crédit, l’IA devrait améliorer la détection des fraudes. « La fraude circule aujourd’hui à la vitesse d’un appel d’API », a rappelé Malhotra, soulignant que les systèmes basés sur des règles statiques peinent à suivre des fraudeurs qui modifient en permanence leurs méthodes. Les modèles de machine learning apprennent en continu des schémas de transaction et identifient les anomalies en temps réel, permettant potentiellement de bloquer des opérations avant que les pertes ne se matérialisent.
En interne, l’IA pourrait automatiser le traitement des documents, les rapprochements comptables, les échantillonnages d’audit interne et les reportings réglementaires. Les chargés de relation assistés par IA pourraient identifier plus rapidement les produits adaptés et les alertes de risque. Les banques dégageraient des gains de productivité significatifs tout en recentrant les effectifs qualifiés sur les tâches exigeant un jugement humain.
Sept risques identifiés par la RBI
Le soutien affiché à l’IA s’accompagne d’une mise en garde ferme sur les risques à maîtriser. Malhotra en a identifié sept, qui structureront la doctrine prudentielle du régulateur.
| Risque | Manifestation concrète | Réponse attendue |
|---|---|---|
| Boîte noire | Décision d’octroi impossible à justifier | Explicabilité obligatoire |
| Biais et exclusion | Discriminations reproduites par les modèles | Équité dès la conception |
| Concentration | Même fournisseur = risque systémique | Diversification des modèles |
| Dépendance tierce | Verrouillage fournisseur, audit impossible | Clauses contractuelles spécifiques |
| Confidentialité | Volumes massifs de données collectées | Safeguards au-delà du cadre légal |
| Cybersécurité | Empoisonnement, manipulation de modèles | Tests adverses réguliers |
| Érosion du jugement | Responsabilité transférée à l’algorithme | Supervision humaine maintenue |
Sur ce dernier point, Malhotra a livré ce qui restera probablement comme la phrase clé de son intervention. Sur le biais et l’exclusion, il a insisté pour que l’équité soit intégrée dès la conception plutôt que traitée comme une exigence de conformité a posteriori. Sur la concentration, il a alerté sur le risque de comportement grégaire : si plusieurs banques s’appuient sur les mêmes modèles, elles pourraient réagir de manière identique en période de stress, amplifiant la volatilité.
Gouvernance et responsabilité humaine
La RBI attend des banques qu’elles traitent la gouvernance de l’IA comme une priorité immédiate. Chaque établissement doit maintenir un inventaire exhaustif de ses systèmes d’IA, y compris ceux embarqués dans des produits fournis par des prestataires. Une politique de gouvernance IA, approuvée par le conseil d’administration, doit fixer une responsabilité claire sur les résultats.
« L’expression ‘The model decided’ ne pourra jamais être une réponse acceptable, ni pour un client, ni pour un auditeur, ni pour la Reserve Bank. »
Sanjay Malhotra, gouverneur de la Reserve Bank of India
Les banques doivent aussi tester leurs modèles adverses (red-team) avant déploiement, puis périodiquement en exploitation. La supervision humaine doit être maintenue partout où une erreur d’IA pourrait causer un préjudice matériel à un client ou à la stabilité financière.
Le Digital Personal Data Protection Act constitue « le plancher, et non le plafond, de ce que les clients peuvent attendre de leur banque », a prévenu Malhotra. Les clauses d’externalisation devront prévoir des droits d’audit spécifiques à l’IA, la possibilité d’exiger des explications et un plan de sortie crédible en cas de défaillance d’un fournisseur ou d’un modèle.
Une régulation par principes et proportionnelle
Le gouverneur a annoncé une approche régulatoire volontairement souple : principes directeurs plutôt que règles rigides, proportionnalité selon le profil de risque de chaque établissement. Une grande banque avec des modèles propriétaires n’est pas soumise aux mêmes contraintes qu’un petit prêteur utilisant un produit clé en main d’un éditeur de logiciels.
La RBI continuera à mobiliser son sandbox réglementaire pour tester les cas d’usage innovants et compte faciliter des utilitaires communs comme MuleHunter (détection des comptes-mules) et la future Digital Payments Intelligence Platform, pour renforcer la lutte contre la fraude à l’échelle du système.
Une étude d’Elisabeth Paulson (Harvard Business School), publiée dans PNAS Nexus en décembre 2024, apporte un éclairage utile sur l’acceptation publique du crédit algorithmique. Sur 9 000 participants, les répondants choisissent un décideur humain dans un scénario hypothétique avec une marge de 4,3 points de pourcentage. Ils jugent avant tout la capacité à réduire collectivement le risque ; l’équité entre groupes raciaux reste systématiquement le facteur le moins important. Si les algorithmes font preuve d’une supériorité nette en précision, « les gens les préféreront probablement », estime Paulson.
Conclusion : ce ne sont pas les banques qui adopteront le plus d’IA qui gagneront
Le message de Malhotra est double. L’Inde dispose d’atouts exceptionnels pour faire de l’IA un levier d’inclusion financière et de modernisation bancaire. Mais la RBI refusera toute adoption précipitée qui sacrifierait l’explicabilité, la responsabilité ou la confiance des clients sur l’autel de la performance.
Le scénario haussier verrait les banques indiennes combiner UPI, ULI et modèles IA pour abaisser drastiquement le coût d’octroi du crédit aux PME et aux ménages non bancarisés, avec un avantage compétitif durable sur les marchés émergents. Le scénario baissier serait celui d’un incident systémique — biais à grande échelle ou dépendance à un fournisseur unique compromis — ébranlant la confiance dans l’ensemble du secteur. La gouvernance devient donc, plus que la technologie elle-même, le véritable facteur de différenciation.
Sources
- Financial Express
- The Banker
- Yahoo Finance
- Bloomberg
- Harvard Business School – Working Knowledge
- The Register
Cet article est publié à titre informatif et éducatif. Il ne constitue en aucun cas un conseil en investissement. Faites vos propres recherches (DYOR) avant toute décision.
