À propos

Mon enquête

Je suis un analyste indépendant qui suit les preuves là où elles mènent, même quand elles dérangent.

Qui je suis et pourquoi j'enquête

Je ne suis pas un vendeur de plateforme. Je suis quelqu'un qui a passé du temps à examiner comment les algorithmes de crédit fonctionnent réellement, derrière les discours marketing. J'ai commencé à m'intéresser à ce sujet quand j'ai réalisé que la plupart des articles sur l'IA en finance évitaient soigneusement les questions difficiles — les biais, les refus injustifiés, l'opacité des modèles. J'ai décidé de ne pas les éviter.

Ma mission est simple : fournir des analyses honnêtes sur les plateformes financières qui utilisent l'IA pour décider du crédit. Je nomme les méthodes, je décris les limites, et je dis clairement quand quelque chose ne tient pas la route. Ce site est le résultat de cette démarche — une ressource pour ceux qui veulent comprendre, pas juste consommer.

J'analyse les plateformes de décision de crédit alimentées par l'IA sous l'angle de l'explicabilité. Concrètement, cela signifie que j'examine comment ces systèmes justifient leurs décisions, si ces justifications sont compréhensibles pour un emprunteur ordinaire, et si elles respectent les obligations légales en vigueur en Suisse. Je compare les approches, je détaille les méthodes techniques en langage accessible, et je publie mes conclusions sans filtre.

Je couvre aussi les enjeux d'équité algorithmique — un terrain où les affirmations des fournisseurs sont souvent vagues et les preuves concrètes rares. J'ai développé une grille d'évaluation en deux phases que j'applique systématiquement à chaque plateforme que j'examine. Les résultats sont publiés sur ce site, avec les critères utilisés et les limites de mon analyse.

Les sujets que je couvre vont des fondements techniques de l'IA explicable aux enjeux réglementaires et éthiques du crédit automatisé.

Voici les seize thèmes principaux que j'explore régulièrement sur ce site, chacun abordé avec le même niveau de rigueur.

Les méthodes d'explicabilité comme SHAP et LIME appliquées aux décisions de crédit réelles
La différence entre explicabilité locale et globale dans les modèles de notation financière
Les obligations réglementaires suisses sur les décisions automatisées et leurs implications pratiques
La détection et la correction des biais algorithmiques dans les modèles de scoring de crédit
Les métriques d'équité algorithmique et leur application aux systèmes de décision financière
L'audit de modèle — comment le réaliser, qui le fait, et ce qu'il révèle réellement
La dérive de modèle — causes, détection et stratégies de surveillance continue efficaces
La contestabilité des décisions automatisées par les emprunteurs dans le cadre légal suisse
La comparaison des architectures techniques des plateformes de crédit IA disponibles
Les données d'entraînement — qualité, représentativité et impact sur les décisions produites
La transparence des fournisseurs — ce qu'ils publient et ce qu'ils taisent systématiquement
L'interprétabilité versus la précision — un compromis réel que les fournisseurs minimisent souvent
Les cas pratiques de refus de crédit et comment l'explicabilité aurait changé la situation
La conformité RGPD et ses implications sur le droit à l'explication pour les emprunteurs
Les limites reconnues de l'IA explicable — ce qu'elle ne peut pas résoudre par elle-même
Les tendances émergentes dans la recherche sur l'explicabilité appliquée aux systèmes financiers

Je ne me contente pas de décrire les plateformes — je les compare selon des critères précis et documentés que j'applique de façon cohérente.

Mon approche comparative

Ma méthode repose sur deux phases : d'abord l'analyse de la qualité des explications produites pour chaque décision individuelle, ensuite l'évaluation de la robustesse et de l'équité du modèle dans le temps. Pour chaque critère, je documente ce que j'observe, ce que je ne peux pas vérifier, et pourquoi cette distinction importe. Je ne prétends pas avoir une vue exhaustive — je prétends avoir une vue honnête.

Avant d'adopter une plateforme de crédit IA, voici les questions que j'estime indispensables de poser au fournisseur.

Ces onze questions couvrent les dimensions techniques, légales et éthiques que tout acheteur sérieux doit examiner.

Quelle méthode d'explicabilité utilisez-vous et pourquoi avez-vous choisi cette approche spécifique ?
Vos explications sont-elles locales, globales, ou les deux niveaux sont-ils disponibles simultanément ?
Comment mesurez-vous l'équité de votre modèle et quelle définition de l'équité avez-vous retenue ?
À quelle fréquence auditez-vous votre modèle et qui réalise ces audits de façon indépendante ?
Comment détectez-vous et corrigez-vous la dérive de modèle dans vos systèmes de production ?
Vos explications sont-elles accessibles directement aux emprunteurs en langage courant non technique ?
Comment votre plateforme respecte-t-elle les exigences légales suisses sur les décisions automatisées ?
Quelles données d'entraînement avez-vous utilisées et comment avez-vous vérifié leur représentativité ?
Un emprunteur peut-il contester une décision et quel processus de révision humaine est prévu ?
Publiez-vous des rapports d'équité accessibles aux régulateurs et aux institutions clientes ?
Quelles sont les limites reconnues de votre système et comment les communiquez-vous à vos clients ?

Je crois que la transparence n'est pas une option dans les systèmes qui affectent la vie des gens. Une décision de crédit peut changer le cours d'une vie — refuser un logement, bloquer un projet. L'explicabilité n'est pas un avantage concurrentiel, c'est une obligation morale.

Ce en quoi je crois vraiment

Je crois aussi que les biais algorithmiques ne sont pas une fatalité. Ils sont le résultat de choix — de données, de méthodes, de priorités. Et les choix peuvent être modifiés si on les nomme clairement. C'est pourquoi je nomme les choses, même quand c'est inconfortable pour les fournisseurs.

Enfin, je crois que les débutants méritent les mêmes informations que les experts. Le jargon technique sert souvent à exclure, pas à clarifier. Mon travail est de rendre l'explicable accessible — et c'est exactement ce que je fais sur ce site.

La transparence algorithmique n'est pas une tendance — c'est la condition d'un crédit juste.

Comment évaluer la fiabilité

Pour juger si une information sur l'IA explicable est fiable, je regarde d'abord si l'auteur cite des méthodes nommées et des travaux vérifiables, plutôt que des formules vagues sur la transparence. Une source sérieuse reconnaît les limites de ce qu'elle affirme et distingue ce qui est prouvé de ce qui est probable. Elle nomme les risques sans les minimiser.

Je vérifie aussi la cohérence dans le temps : un auteur qui change de position sans l'expliquer, ou qui ne met jamais à jour ses analyses malgré les évolutions réglementaires, perd en crédibilité. La fiabilité se construit par la rigueur répétée, pas par une seule publication impressionnante. C'est le standard que j'applique à mes propres analyses.

Ce site s'adresse à trois types de lecteurs, chacun avec des besoins différents que je prends en compte.

Les débutants

Ceux qui n'ont aucune connaissance préalable de l'IA ou du crédit. Je commence toujours par les bases, sans supposer de formation technique, pour que chaque concept soit accessible dès la première lecture.

Les professionnels

Les équipes de conformité, les responsables de risque et les décideurs qui cherchent à évaluer ou adopter une plateforme. Je fournis des grilles de critères et des questions concrètes à poser aux fournisseurs.

Les emprunteurs

Les personnes qui ont reçu une décision automatisée et veulent comprendre ce qui s'est passé. Je leur explique leurs droits, les mécanismes de contestation disponibles et ce qu'ils peuvent raisonnablement exiger.

Mon enquête

Qui je suis et pourquoi j'enquête

Mon approche comparative

Ce en quoi je crois vraiment

Comment évaluer la fiabilité

Les débutants

Les professionnels

Les emprunteurs

Nous utilisons des cookies sur ce site

Cookies essentiels

Cookies analytiques

Cookies de performance