Une proposition de crédit, c'est douze documents déguisés en un.
Une banque corporate & investment de tier-1 mondiale voulait que ses analystes passent leur temps sur le jugement, pas sur l'assemblage, nous avons construit l'AI agentic qui s'occupe de l'assemblage.
22 mars 2026
Les propositions de crédit à l'échelle institutionnelle ne sont pas un document, c'est un problème de coordination. Narrative entreprise, intelligence sectorielle, performance financière, comparaison de pairs, commentaires des agences de rating, projections de cashflow forward. Chaque section tire de différentes équipes, sources de données et formats. Le livrable est lent à assembler, incohérent entre analystes, et rate-limité par les yeux seniors qui doivent revoir chaque page. Pendant ce temps, le volume de propositions ne fait que monter. La question : l'AI agentic pouvait-elle compresser la production d'une proposition de crédit sans compresser la rigueur, et libérer les analystes pour le travail où leur jugement compte vraiment ?
- 01
Générer le profil d'entreprise depuis la donnée, pas le template.
Nous avons construit une couche AI qui produit les descriptions d'entreprise directement à partir d'inputs structurés et non structurés, datasets internes, filings publics, commentaire sectoriel. La sortie est éditable, citable et à jour. Les analystes l'éditent ; ils ne l'assemblent plus from scratch à chaque cycle.
- 02
Automatiser l'analyse là où le calcul est explicite.
Intelligence sectorielle, extraction de KPIs, explications des mouvements year-on-year, conclusions financières, chacun est une tâche analytique définie avec des inputs et outputs défendables. Nous avons enveloppé chacune dans un AI agent calibré sur les frameworks internes de la banque. Le choix éditorial : nous avons gardé l'analyste in-the-loop sur chaque page. Le système écrit le draft ; l'analyste écrit le jugement.
- 03
Modéliser le cashflow, pas seulement le décrire.
Les projections de cashflow forward sont la page où le forecasting doit vraiment se produire, pas du re-récit. Nous avons intégré un modèle statistique dédié qui produit des projections alignées avec le reste de l'analyse financière générée par AI, pour que la narrative et les chiffres ne se contredisent pas.
Le time-to-production des propositions de crédit complètes a chuté dramatiquement. Les narratives se sont standardisées à travers les régions et les équipes d'analystes, le même client obtient la même profondeur d'analyse quel que soit le desk qui le couvre. Les insights de risque se sont approfondis, parce que l'AI fait émerger des patterns sur le portefeuille qu'un seul analyste manquerait. Plus important : la capacité analyste s'est libérée pour le travail qui requiert un vrai jugement, pricing, structuring, conversations client. Le déclic : la capacité de traitement du portefeuille passe à l'échelle avec l'équipe au lieu de contre elle.
“Dans les workflows de services pro, le job de l'AI n'est pas de remplacer l'analyste, c'est de faire en sorte que chaque analyste se sente comme s'il avait un associé senior. Construisez pour l'assemblage, laissez le jugement là où il appartient.
Assis sur un workflow documentaire à fort enjeu où le temps d'assemblage l'emporte sur le temps de jugement ? Nous aidons les équipes capital-markets et risque à déplacer l'assemblage vers l'AI, et garder les analystes sur la page qui compte.
Discutons
