L’ACPR attend des établissements de crédit qu’ils démontrent la loyauté, la traçabilité et la non-discrimination de tout algorithme d’octroi, a fortiori lorsque le dossier comporte des données médicales sensibles. Ces exigences couvrent la gouvernance du modèle, l’explicabilité des décisions et le respect strict du RGPD pour les données de santé. Un profil médical sensible (antécédents lourds, invalidité, ALD) déclenche un niveau de contrôle renforcé sur l’ensemble de la chaîne de traitement algorithmique.
🤖 L’intelligence du crédit de demain, disponible aujourd’hui. Même avec un profil complexe, ne devinez plus si votre prêt sera accepté. Testez notre pré-générateur de dossier propulsé par notre middleware IA. 🚀 Générer mon pré-accord IA →
Cadre réglementaire : ce que l’ACPR exige des algorithmes de crédit
Des orientations précises sur la gouvernance des modèles d’octroi
L’Autorité de Contrôle Prudentiel et de Résolution (ACPR) encadre l’utilisation des algorithmes d’octroi de crédit au titre de ses Règles applicables aux établissements de crédit. Ces orientations imposent aux banques de documenter intégralement le cycle de vie de leurs modèles : conception, validation interne, suivi des performances et révision périodique. Pour un algorithme traitant des dossiers à profil médical sensible, l’ACPR s’attend à ce que la fonction de validation indépendante (risk model validation) atteste explicitement de l’absence de biais discriminatoire lié à l’état de santé du demandeur.
La loi française interdit toute discrimination fondée sur l’état de santé dans l’accès au crédit (article 225-1 du Code pénal). L’ACPR traduit cette interdiction en exigence opérationnelle : le modèle ne doit pas intégrer, directement ou par proxy, de variable corrélée à une pathologie. Les établissements doivent produire, sur demande de l’ACPR, un rapport de fairness testing démontrant que les taux de refus ne divergent pas statistiquement selon les groupes protégés.
Par ailleurs, les données de santé constituent une catégorie particulière au sens de l’article 9 du RGPD. Leur traitement algorithmique est en principe interdit sauf consentement explicite ou nécessité contractuelle dûment justifiée. L’ACPR vérifie que les établissements disposent d’une base légale solide et d’une analyse d’impact (AIPD) actualisée avant tout déploiement d’un modèle susceptible d’inférer un état de santé à partir de données comportementales ou bancaires.
Mécanismes concrets de contrôle : explicabilité, traçabilité et Open Banking
De la boîte noire à l’audit reproductible : les quatre piliers attendus
L’ACPR s’inscrit dans le prolongement des orientations EBA sur le machine learning (EBA/GL/2023) pour définir quatre piliers de contrôle applicables aux algorithmes d’octroi : explicabilité locale de chaque décision, traçabilité des données d’entraînement, monitoring en production et procédure de recours humain. Pour un profil médical sensible, le pilier « recours humain » est particulièrement scruté : toute décision de refus automatisé doit pouvoir être réexaminée par un analyste qualifié, conformément à l’article 22 du RGPD sur les décisions entièrement automatisées.
Dans le contexte de l’Open Banking encadré par la DSP2 (Directive sur les services de paiement, transposée en droit français), les établissements peuvent accéder aux données de compte du demandeur avec son consentement explicite. Ce flux de données enrichit le scoring mais crée un risque d’inférence médicale (remboursements de pharmacie, cotisations mutuelle, achats en pharmacie). L’ACPR attend que le middleware de traitement filtre activement ces signaux avant injection dans le modèle, et que ce filtrage soit documenté et auditable.
| Pilier de contrôle ACPR | Exigence opérationnelle | Criticité profil médical | Référence |
|---|---|---|---|
| Explicabilité locale | Rapport SHAP/LIME par décision de refus | Très haute | ACPR — Règles établissements de crédit |
| Traçabilité des données | Lineage complet des features d’entraînement | Haute | RGPD art. 5 (intégrité, responsabilité) |
| Filtrage des données sensibles | Suppression des proxies médicaux (DSP2) | Critique | DSP2 — Banque de France ; RGPD art. 9 |
| Recours humain | Procédure de réexamen par analyste | Obligatoire | RGPD art. 22 ; ACPR orientations modèles |
| Fairness testing | Tests de disparate impact par groupe protégé | Très haute | Code pénal art. 225-1 ; ACPR supervision |
| Monitoring en production | Alertes sur dérive du taux de refus | Haute | EBA/GL/2023 ; ACPR — Règles établissements |
{
"dossier_id": "IMM-2026-00847",
"profil_sensible": true,
"flag_medical_detecte": false,
"proxy_medical_filtre": ["pharmacie_transactions", "mutuelle_prelevement"],
"score_octroi": 72,
"seuil_refus_automatique": 55,
"decision": "accord_conditionnel",
"recours_humain_disponible": true,
"shap_top_features": ["taux_endettement", "stabilite_revenus", "historique_remboursement"],
"base_legale_rgpd": "art6-1b_necessite_contractuelle",
"aipd_validee": true,
"audit_trail_id": "AT-2026-00847-v3"
}Implications pratiques pour les middlewares IA et les API de scoring
Architecturer la conformité ACPR dès la conception du pipeline de données
Pour les éditeurs de middleware IA opérant dans le crédit immobilier, les exigences ACPR se traduisent par des choix d’architecture non négociables. Le pipeline DSP2 doit intégrer une couche de data sanitization capable d’identifier et de neutraliser les variables à fort pouvoir prédictif médical avant qu’elles n’atteignent le moteur de scoring. Cette couche doit être paramétrable, versionnée et soumise à revue trimestrielle, car la liste des proxies médicaux évolue avec les comportements de consommation.
L’explicabilité locale n’est pas seulement une obligation réglementaire : c’est un levier commercial. Un middleware capable de produire automatiquement un rapport SHAP lisible par un conseiller bancaire réduit le temps de traitement des dossiers complexes et sécurise l’établissement en cas de contrôle ACPR sur place. Les API de scoring doivent exposer un endpoint dédié /explain retournant les contributions de chaque feature, horodatées et signées cryptographiquement pour garantir leur immuabilité.
Enfin, la convention AERAS (s’Assurer et Emprunter avec un Risque Aggravé de Santé) impose un droit à l’oubli médical pour certaines pathologies. Un algorithme d’octroi conforme doit intégrer ce mécanisme : si le demandeur bénéficie du droit à l’oubli, toute variable ou proxy lié à la pathologie concernée doit être masqué avant scoring, et ce masquage doit être journalisé. L’ACPR peut demander la preuve de ce traitement lors d’un contrôle sur pièces.
Questions fréquentes
L'ACPR peut-elle sanctionner une banque dont l'algorithme discrimine indirectement un profil médical ?
Oui. L'ACPR dispose d'un pouvoir de sanction administrative et peut infliger des astreintes ou des interdictions d'activité si elle constate qu'un modèle d'octroi produit des effets discriminatoires fondés sur l'état de santé, même de façon indirecte via des variables proxy. La discrimination indirecte est explicitement couverte par l'article 225-1 du Code pénal et par les orientations ACPR sur la gouvernance des modèles.
Quelles données DSP2 sont considérées comme des proxies médicaux à filtrer ?
Les transactions récurrentes vers des pharmacies, les prélèvements de mutuelles santé, les achats en parapharmacie ou les remboursements de soins visibles dans les relevés bancaires peuvent constituer des proxies médicaux. Dans le cadre de la DSP2, l'accès à ces données est autorisé avec consentement, mais leur utilisation dans un modèle de scoring est encadrée par le RGPD (art. 9) qui interdit le traitement de données de santé sans base légale explicite.
La convention AERAS s'applique-t-elle aux algorithmes automatisés d'octroi de crédit ?
Oui. La convention AERAS, qui garantit notamment un droit à l'oubli médical pour certaines pathologies (cancers, hépatite C après guérison), s'impose à tous les établissements de crédit, qu'ils traitent les dossiers manuellement ou via un algorithme. Un middleware d'octroi doit donc intégrer un mécanisme de masquage automatique des données concernées dès lors que le demandeur remplit les conditions du droit à l'oubli.
Qu'est-ce qu'un rapport SHAP et pourquoi l'ACPR peut-elle l'exiger ?
SHAP (SHapley Additive exPlanations) est une méthode mathématique qui quantifie la contribution de chaque variable d'entrée à la décision d'un modèle de machine learning. L'ACPR peut l'exiger car il permet de vérifier qu'aucune variable discriminatoire (directe ou proxy) n'a pesé de façon déterminante dans un refus de crédit, répondant ainsi à l'obligation d'explicabilité des décisions automatisées posée par l'article 22 du RGPD.
Conclusion & Perspective 2027
D’ici 2027, l’entrée en vigueur pleine du règlement européen sur l’IA (AI Act) classera les algorithmes d’octroi de crédit en systèmes à haut risque (Annexe III), imposant une certification tierce obligatoire et un registre européen public des modèles déployés. Les middlewares IA devront exposer des API de conformité standardisées — logs d’audit, rapports de fairness, documentation technique — directement consommables par les superviseurs comme l’ACPR via des interfaces machine-to-machine. Pour les profils médicaux sensibles, cette automatisation de la preuve de conformité deviendra le différenciateur clé entre les acteurs capables de traiter ces dossiers à grande échelle et ceux contraints au traitement manuel.
🤖 L’intelligence du crédit de demain, disponible aujourd’hui. Obtenez le feu vert des banques grâce à notre technologie de pointe. Générez un dossier de prêt immobilier ultra-optimisé et validé par notre IA. 🚀 Générer mon dossier IA →