Comment un credit servicer a lu 130 millions de pages sans recruter

Un grand credit servicer européen gère des portefeuilles de créances douteuses garanties acquises auprès de banques. Chaque portefeuille arrive comme un mur de papier : contrats et inscriptions hypothécaires, garanties, ordonnances de vente, expertises judiciaires, registres fonciers, états des inscriptions. La due diligence et la stratégie de recouvrement dépendent de la lecture de tout cela, et les archives avaient atteint 130 millions de pages. Recruter pour les lire n'était pas une option.

Le point de départ

Les analystes passaient l'essentiel de leur temps à localiser des documents et à ressaisir des valeurs. Chaque dossier exigeait environ 330 données : identités du créancier et du débiteur, garants, description cadastrale complète de chaque bien (feuille, parcelle, subdivision, revenu cadastral), valeurs d'expertise, inscriptions et leur rang. Les données existaient sur papier, mais dans aucun système qu'un analyste puisse interroger. Les stratégies de recouvrement étaient décidées sur des informations partielles parce que l'information complète prenait trop de temps à rassembler.

Ce que les agents ont fait

Altilia a déployé un agent d'acquisition de données sur l'infrastructure privée du servicer. Son travail se déroule en quatre mouvements.

1. Classification. Chaque page des archives est affectée à un type de document, de l'acte hypothécaire à l'expertise judiciaire, à l'aide de modèles ajustés sur les propres dossiers du servicer.
2. Extraction. Des entités et des objets, pas seulement des champs : un bien est extrait avec son triplet cadastral complet et relié à l'expertise, à l'inscription et à l'emprunteur auxquels il appartient.
3. Rapprochement. Les valeurs trouvées dans différents documents sont comparées ; les conflits sont remontés avec un score de confiance et une hiérarchie des sources, de sorte que l'analyste voit le désaccord plutôt qu'une valeur choisie en silence.
4. Recherche. L'ensemble des archives devient un moteur de recherche sémantique que les analystes interrogent en langage naturel, avec des expressions régulières ou des mots-clés, et qui renvoie la page comme preuve.

L'audit

Avant la mise en production, le servicer a audité un échantillon de 10 000 documents par rapport à des valeurs vérifiées manuellement. La précision a atteint 98,3 %. Tout aussi important, les erreurs étaient visibles : chaque valeur à faible confiance était déjà signalée pour revue, de sorte que l'audit a confirmé que la file de revue captait ce que les modèles avaient manqué.

Ce qui a changé pour les analystes

Le travail est passé de la recherche et de la saisie à la décision. Un analyste ouvre un dossier et trouve les 330 données renseignées, chacune avec un lien vers sa page. Le temps gagné a été mesuré avec la propre méthodologie de business case du servicer : effort manuel réduit d'environ 80 %, préparation des dossiers dix fois plus rapide. Les stratégies de recouvrement se décident désormais sur une information complète, et le moteur de recherche sémantique répond à des questions que personne ne pouvait poser auparavant, comme quels biens d'une région partagent le même expert ou quelles inscriptions priment sur celle du servicer dans un portefeuille.

« Leurs agents IA travaillent avec nos propres données dans une infrastructure privée, avec une précision et un contrôle qu'aucune solution d'IA générique ne pourrait égaler. »

Leçons pour le prochain portefeuille

• Extraire des objets, pas des champs. Un triplet cadastral qui n'est pas relié à son bien et à son expertise est un nombre, pas une connaissance.
• Rendre le désaccord visible. Le rapprochement entre documents est là où se trouvent la valeur, et le risque.
• Auditer avant de passer à l'échelle. Un échantillon de 10 000 documents a transformé une promesse en un chiffre sur lequel le métier pouvait planifier.
• Garder tout en interne. L'exécution sur l'infrastructure du servicer a entièrement supprimé la question du transfert de données.