# 13 banques : la donnée propriétaire fait-elle gagner la construction interne ? > Non : l'annexe de la BCE ne l'établit pas. Elle rapporte, pour 13 banques, une prévalence déclarée du développement interne en scoring de crédit et en détection de fraude. Elle ne compare ni performance ni coût entre modèles internes et solutions de tiers, et n'applique aucun traitement causal. - Source : https://probans.org/ia/acheter-construire-ia/banques-bce-scoring-fraude-developpement-interne/ - Catégorie : Intelligence artificielle - Auteur : Axel Morel - Publié le : 2026-10-01 ## En résumé - « Propriétaire » n'est écrit ni dans l'annexe ni dans l'article de la BCE qui la présente. Le mot « proprietary » n'y figure pas. À la p. 14, pour le scoring seulement, les données disponibles sont un exemple de considérations propres au portefeuille. - Une prévalence déclarée, sur 13 banques. La majorité des banques de l'échantillon déclarent des solutions internes pour les deux usages. L'article dit que ces enseignements ne doivent pas être généralisés à l'ensemble du secteur. - Aucune comparaison mesurée. L'annexe ne compare ni performance, ni coût, ni délai entre modèles développés en interne et solutions de tiers. Parmi les passages qui nomment l'origine interne, un seul lui associe une qualité du modèle : la plupart des banques déclarent pouvoir expliquer en détail comment leurs systèmes d'IA décident, « especially for self-developed models » (p. 11). La figure de la p. 11 ne ventile pas par origine du modèle. Non : l'annexe de la BCE ne l'établit pas. Elle rapporte, pour 13 banques, une prévalence déclarée du développement interne en scoring de crédit et en détection de fraude. Elle ne compare ni performance ni coût entre modèles internes et solutions de tiers, et n'applique aucun traitement causal. 1. **« Propriétaire » n'est écrit ni dans l'annexe ni dans l'article de la BCE qui la présente.** Le mot « proprietary » n'y figure pas. À la p. 14, pour le scoring seulement, les données disponibles sont un exemple de considérations propres au portefeuille. 2. **Une prévalence déclarée, sur 13 banques.** La majorité des banques de l'échantillon déclarent des solutions internes pour les deux usages. L'article dit que ces enseignements ne doivent pas être généralisés à l'ensemble du secteur. 3. **Aucune comparaison mesurée.** L'annexe ne compare ni performance, ni coût, ni délai entre modèles développés en interne et solutions de tiers. Parmi les passages qui nomment l'origine interne, un seul lui associe une qualité du modèle : la plupart des banques déclarent pouvoir expliquer en détail comment leurs systèmes d'IA décident, « especially for self-developed models » (p. 11). La figure de la p. 11 ne ventile pas par origine du modèle. ## Une annexe en diapositives, faite de déclarations de banques Le document est une présentation de 15 diapositives, intitulée « AI workshops with banks 2025 », marquée « Annex » et datée de novembre 2025 (p. 1). L'annexe ne nomme pas le document dont elle est l'annexe. C'est l'article de la Supervision Newsletter du 20 novembre 2025 qui renvoie vers elle. Cet article est signé de quatre auteurs de la DNB, de la Bundesbank et de la BCE, que l'annexe ne nomme pas. Son contenu est l'information auto-déclarée et anonymisée des banques participantes. Le document se dit observationnel, à visée d'information, et écrit qu'il ne constitue pas une évaluation de supervision (p. 2). Ce sont donc des déclarations de banques, non des constats de la BCE. Les ateliers sont des réunions de trois à quatre heures, à distance ou hybrides, entre mai et août, à ordre du jour prédéfini. Un jeu de questions a été envoyé avant la réunion, sans autre interaction ni questionnaire hors des ateliers. La démarche est décrite comme « non-prescriptive, exploratory », sans suivi propre à chaque banque (p. 4). Ils visent à mieux comprendre où en sont les banques dans l'application de l'IA, sur ses aspects généraux et sur son usage spécifique pour le scoring de crédit et la détection de fraude (p. 4). ## Treize banques, dont la sélection n'est pas décrite dans l'annexe L'échantillon compte 13 banques supervisées, dont le siège est dans neuf pays européens, non nommés. Le modèle d'activité en compte 6 « Universal banks », 4 « Diversified lenders » et 3 « G-SIBs & others ». Pour le total de bilan, 3 banques sont sous 150 milliards d'euros, 8 entre 150 et 1 000 milliards et 2 au-dessus de 1 000 milliards (p. 5). L'annexe ne décrit pas comment ces banques ont été choisies. L'article dit qu'elles l'ont été parmi les banques ayant déclaré utiliser l'IA pour les usages étudiés. Il prévient que les enseignements reposent sur un petit échantillon et ne doivent pas être généralisés à l'ensemble du secteur. Ni l'annexe ni l'article ne donnent de critère de choix au sein de ce vivier. Parmi les 13, 10 banques déclarent utiliser l'IA pour le scoring de crédit et 10 pour la détection de fraude. Le document ne publie pas combien font les deux (p. 5). La p. 5 accole à chacun de ces deux « 10 banks » un pourcentage : « ~67% » pour le scoring, « ~26% » pour la fraude. Ils sont rapportés à des « significant institutions reporting use cases in production », sans numérateur, dénominateur ni année imprimés. Ce ne sont pas des parts des 13 banques : 10 sur 13 ne donnerait pas ces valeurs. Leur sens n'est pas tranché ici. ## Le développement interne : une prévalence déclarée, sans chiffre dans le texte La figure « Sourcing of use cases » (p. 9) imprime, pour le scoring de crédit, 9 réponses « Developed in-house », 0 « Used via partnership », 0 « Bought from third-party » et 0 « Other ». Pour la détection de fraude, elle imprime 7, 2, 0 et 1. | Origine déclarée | Scoring de crédit | Détection de fraude | |---|---|---| | Developed in-house | 9 | 7 | | Used via partnership | 0 | 2 | | Bought from third-party | 0 | 0 | | Other | 0 | 1 | *Tableau 1. Valeurs imprimées au-dessus des barres de la figure « Sourcing of use cases ». La figure n'imprime ni titre d'axe, ni unité, ni effectif de base. Source : annexe, p. 9.* La série de la fraude somme 10, égale aux 10 banques déclarantes. La série du scoring somme 9 pour 10 banques déclarantes, écart que le document n'explique pas. Le texte formule la prévalence sans chiffre. La majorité des banques de l'échantillon déclarent des solutions internes pour le scoring et pour la fraude, et les solutions de tiers sont employées « selectively » (p. 6). La p. 9 écrit que la plupart des banques déclarent des solutions internes pour les deux usages. Pour la fraude, le document parle de « flexible sourcing » : la plupart des banques utilisent des solutions développées en interne, certaines aussi des prestataires tiers (p. 15). La figure y porte 2 partenariats. *Mon interprétation.* Le mot « majorité » de la p. 6 est cohérent avec la figure de la p. 9 quelle que soit la base envisagée. Aucune base n'étant imprimée, aucun pourcentage n'en découle. Côté tiers, le document distingue « Used via partnership », des partenariats avec des fournisseurs spécialisés, des solutions adaptées aux cas d'usage ou un « model-as-a-service », et « Bought from third-party ». Cette seconde catégorie est à zéro pour les deux usages. Le document affiche quatre catégories, non deux. ## Le mot « interne » n'est défini nulle part dans l'annexe « In-house » n'est défini nulle part. Le document décrit lui-même des solutions internes qui s'appuient souvent sur des moteurs de risque, des données ou des bibliothèques open source externes (p. 9). Il décrit des modèles développés en interne mais hébergés chez des fournisseurs de cloud (p. 6, p. 9). Il note une coopération externe occasionnelle pour le déploiement d'un modèle construit en interne, pour le scoring (p. 14). Dans le bloc scoring de la p. 7, les banques mènent des évaluations régulières de fournisseurs d'IA externes. L'article écrit dans le même sens que les modèles analysés sont « generally developed in house but often hosted in external cloud-based environments ». *Mon interprétation.* La figure de la p. 9 porte 0 partenariat et 0 achat en scoring, et le texte mentionne des fournisseurs externes autour du modèle. Je n'y lis pas de contradiction : « développé en interne » n'y exclut pas des fournisseurs autour du modèle. ## Les données : un exemple, pour le scoring seulement À la p. 14, sous « Key learnings on use of AI for credit scoring », l'annexe écrit : « Prevalence of in-house development when sourcing AI credit-scoring models – this is related to existing in-house model development capabilities and portfolio-specific considerations such as available data inputs, but also to confidentiality. » La phrase relie la prévalence du développement interne, pour le seul scoring de crédit, aux capacités internes existantes de développement de modèles, à des considérations propres au portefeuille et à la confidentialité. Les « available data inputs » sont un exemple (« such as ») de ces considérations propres au portefeuille. La phrase ne pèse ni ne classe aucun de ces éléments. Le document ne dit pas sur quoi porte la confidentialité. La formule est « is related to ». L'annexe n'applique aucun traitement causal. Pour la fraude, la p. 15 et le bloc fraude de la p. 7 ne portent aucun « related to » et n'écrivent aucun motif du choix interne. Le mot « proprietary » n'apparaît pas dans l'annexe, ni « own data », « their own », « competitive » ou « advantage ». Il n'apparaît pas non plus dans l'article. L'expression « donnée propriétaire » est donc celle de cette pièce, non de la source. *Mon interprétation.* Reformulée avec les termes de l'annexe et de l'article : dans cet échantillon de 13 banques, dont l'article dit que les enseignements ne doivent pas être généralisés à l'ensemble du secteur, le scoring de crédit et la détection de fraude sont surtout développés en interne, selon leurs déclarations. Pour le scoring, l'annexe relie cette prévalence aux capacités internes, à des considérations de portefeuille comme les données disponibles, et à la confidentialité, sans en mesurer le poids. Sur la gestion des données, le constat de l'annexe est une lacune : seules quelques banques déclarent appliquer effectivement leurs standards de gestion des données et les adapter à l'IA (p. 12). Le document ne relie pas ce constat aux « available data inputs » de la p. 14. ## Aucune comparaison mesurée entre interne et tiers L'annexe ne compare aucune performance, aucun coût, aucun délai entre modèles développés en interne et solutions de tiers. Elle n'a aucun traitement statistique ni causal, et elle n'écrit nulle part que l'une des voies l'emporte. Sa figure d'approvisionnement ne porte que sur le scoring de crédit et la détection de fraude. Les bénéfices rapportés dans l'annexe (précision accrue, moins de pertes de fraude, moins de faux positifs, performance accrue des modèles) portent sur l'usage de l'IA, sans distinction d'origine, et aucun n'est chiffré. L'article écrit, dans sa propre voix, que l'IA en scoring contribue « ultimately » à une meilleure rentabilité. Il ajoute aussitôt que la quantification financière des bénéfices réalisés reste un défi. Parmi les passages qui nomment l'origine interne, un seul lui associe une qualité du modèle. La plupart des banques déclarent pouvoir expliquer en détail comment leurs systèmes d'IA décident, « especially for self-developed models » (p. 11). Le document ajoute qu'il n'y a pas de compréhension commune, entre banques, de ce qu'est l'explicabilité. La figure de la p. 11 ne ventile pas par origine du modèle. Le seul « prefer » du document oppose des systèmes d'IA adaptés au crédit à l'IA générative, en raison de la spécificité des contextes de prêt (p. 14). Aucune banque de l'échantillon ne déclare utiliser l'IA générative en scoring de crédit ni en détection de fraude. Il s'agit d'apprentissage automatique établi. Le gradient boosting est l'exemple donné pour la fraude (p. 15). Aucune banque n'autorise l'auto-apprentissage après déploiement (p. 11). ## Ce qu'un lecteur qui doit décider peut en faire Ne pas citer l'annexe comme une preuve que la donnée propriétaire avantage la construction interne : le mot n'y figure pas, et aucune performance ni aucun coût n'y sont comparés. Pour le scoring, citer la p. 14 avec sa formule complète : les capacités internes, des considérations de portefeuille comme les données disponibles, la confidentialité, sans en mesurer le poids. Ne pas l'étendre à la fraude. Citer la figure de la p. 9 telle qu'elle est imprimée, sans effectif de base, et limiter toute lecture aux 13 banques et à leurs déclarations. ## Mes réserves - **Des déclarations, non des mesures.** L'annexe présente des informations auto-déclarées, recueillies en ateliers, et se dit non évaluative pour la supervision. - **Un échantillon de 13 banques, choisies parmi celles qui déclarent utiliser l'IA.** L'article écrit que les enseignements ne doivent pas être généralisés à l'ensemble du secteur. La pièce ne dit rien des banques qui n'utilisent pas l'IA pour ces usages. - **Des figures sans effectif de base.** Aucune des six figures relues (p. 5, 8, 9, 10, 11, 13) n'imprime d'effectif de base. Les sommes vont de 8 à 13, et la série du scoring de la p. 9 somme 9 pour 10 banques déclarantes. - **Des pourcentages de la p. 5 laissés de côté.** Les « ~67% » et « ~26% » n'ont ni numérateur, ni dénominateur, ni année imprimés. Leur sens n'est pas tranché ici. - **Deux usages seulement.** L'approvisionnement ne porte que sur le scoring de crédit et la détection de fraude, et le lien de la p. 14 ne porte que sur le scoring. ## Sources - [Banque centrale européenne, Supervision bancaire (novembre 2025). AI workshops with banks 2025, Annex. 15 diapositives, PDF. Pages relevées : p. 1 (intitulé, mention Annex, date) ; p. 2 (nature auto-déclarée, non-évaluation de supervision) ; p. 4 (ateliers, démarche) ; p. 5 (échantillon, usages déclarés, pourcentages) ; p. 6, 7 et 9 (approvisionnement, solutions internes, cloud) ; p. 11 (explicabilité, auto-apprentissage) ; p. 12 (gestion des données) ; p. 14 (scoring de crédit) ; p. 15 (détection de fraude) ; figures des p. 5, 8, 9, 10, 11 et 13 (absence d'effectif de base) ; texte entier (absence de « proprietary »).](https://www.bankingsupervision.europa.eu/ecb/pub/pdf/annex/ssm.nl251120_1_annex.en.pdf) - [Singh, S. (DNB), Schupbach, A. (Bundesbank), Asiala, A. (BCE) & Siwecki, D. A. (BCE) (20 novembre 2025). AI's impact on banking: use cases for credit scoring and fraud detection. Supervision Newsletter, BCE. Page HTML citée par section, sans pagination ; employée pour la sélection des banques, la mise en garde sur la généralisation, les modèles hébergés dans le cloud et les bénéfices rapportés.](https://www.bankingsupervision.europa.eu/press/supervisory-newsletters/newsletter/2025/html/ssm.nl251120_1.en.html) --- Publié sur Probans : https://probans.org/ia/acheter-construire-ia/banques-bce-scoring-fraude-developpement-interne/