Faut-il sacrifier de la performance pour gagner en explicabilité sur un modèle de scoring crédit PME ? Comparatif chiffré entre XGBoost expliqué par SHAP et régression logistique régularisée, à l'aune du cadre réglementaire 2026-2027.
Pendant des années, la littérature de scoring a opposé deux mondes : d'un côté la régression logistique, lisible mais jugée fruste ; de l'autre les modèles d'ensemble comme XGBoost, performants mais opaques. Les études publiées en 2025 et 2026 nuancent fortement ce récit, et l'ampleur du delta de performance dépend presque entièrement de la nature du jeu de données.
Sur des portefeuilles PME avec des variables structurées classiques (ratios financiers, ancienneté, encours), une comparaison sur des PME italiennes a montré que l'efficience variait de 77,0 % pour la régression logistique stepwise à 76,0-80,9 % pour XGBoost selon le seuil de décision retenu, et le modèle XGBoost reportait de meilleures performances sur tous les indicateurs pour certains secteurs d'activité. L'écart existe, mais il reste modeste et varie fortement par segment, contredisant l'idée d'une supériorité systématique et massive des boîtes noires.
D'autres travaux plus récents vont dans le sens inverse. Une étude de 2026 comparant régression logistique, XGBoost et LightGBM sur un jeu de données structuré de petite taille conclut que sur des jeux de données petits et structurés, la régression logistique reste le choix de production le plus pratique, tandis que le gradient boosting avec SHAP joue un rôle analytique complémentaire, sans qu'aucun des trois modèles n'obtienne une amélioration statistiquement significative sur les autres (p > 0,05 dans tous les cas). Sur ce même travail, la régression logistique a atteint le meilleur rappel sur l'échantillon de test (0,800), devant XGBoost (0,717) et LightGBM (0,567).
À l'inverse, d'autres benchmarks montrent un avantage net de XGBoost, notamment en conditions de stress. Une étude de 2025 rapporte que lors d'un test de résistance, XGBoost reste stable (AUC = 0,83) contre une dégradation sévère de la régression logistique (AUC = 0,68), avec un scénario de stress macroéconomique simulant une baisse de revenu de 20 % et une hausse de 15 % de la probabilité de défaut, où la régression logistique perd en performance (AUC 0,68) tandis que XGBoost conserve une performance solide (AUC 0,83). La même étude confirme une différence statistiquement significative des AUC en faveur de XGBoost via un test DeLong (p < 0,01).
L'intérêt de SHAP n'est pas seulement de "traduire" une boîte noire : il révèle des structures que la régression logistique, par construction linéaire, ne peut pas capter. Une étude appliquée au crédit souligne que l'analyse SHAP a révélé des schémas de risque non linéaires cohérents sur les deux modèles d'ensemble, dont des effets de seuil sur la durée et des dynamiques compensatoires entre attributs, inaccessibles via des coefficients linéaires. Concrètement, pour un dossier PME, SHAP peut montrer qu'un ratio d'endettement élevé n'est pénalisant qu'au-delà d'un certain seuil, combiné à une ancienneté faible — une interaction qu'un coefficient de régression logistique traduit forcément de façon moyenne et linéaire.
Sur le recoupement des variables jugées importantes, les deux approches convergent largement. Un travail comparatif note que régression logistique et XGBoost partagent trois variables importantes dans leur top 5 : l'âge, la durée et l'objet du crédit. Autrement dit, sur les facteurs de premier ordre, les deux familles de modèles racontent une histoire cohérente — la divergence se joue sur les interactions fines et les effets de queue de distribution.
Des travaux plus récents vont plus loin en montrant qu'il est possible de rapprocher les deux mondes : l'utilisation des valeurs de Shapley permet de produire des grilles de score (scorecards) dont l'interprétabilité est comparable à celle de la régression logistique tout en conservant une précision prédictive supérieure. C'est une piste concrète pour les équipes qui veulent capturer le gain de XGBoost sans renoncer à la lisibilité métier attendue par les comités de crédit.
Le point le plus mal compris du moment concerne le calendrier de l'AI Act. Beaucoup d'équipes data pensaient devoir être en conformité totale au 2 août 2026. Ce n'est plus le cas : le règlement (UE) 2026/1744 reporte du 2 août 2026 au 2 décembre 2027 les obligations applicables aux systèmes d'IA à haut risque de l'Annexe III, dont le scoring de crédit. Ce report, acté par le règlement publié au Journal officiel de l'UE le 24 juillet 2026, entré en vigueur le 27 juillet, ne vide cependant pas le sujet de sa substance : le report porte sur les dates d'application, sans modifier le fond des obligations haut risque — gestion des risques, gouvernance des données, documentation technique, supervision humaine, robustesse et cybersécurité restent rédigées comme avant.
Le scoring de crédit PME n'échappe pas à la classification haut risque. L'annexe III, point 5(b) du règlement 2024/1689 liste « les systèmes d'IA destinés à évaluer la solvabilité des personnes physiques ou à établir leur score de crédit, à l'exception des systèmes utilisés à des fins de détection de fraude financière ». Pour les financements professionnels où le dirigeant se porte caution ou où l'évaluation touche une personne physique, la frontière avec le haut risque est donc ténue et mérite une analyse juridique au cas par cas — un point que nous détaillons avec nos clients dans le cadre de nos missions de conseil en gouvernance des modèles.
Si l'échéance AI Act recule, le droit français, lui, n'attend pas. À l'issue d'une consultation publique, la CNIL a publié le 7 mai 2026 sa recommandation sur l'évaluation de la solvabilité dans le cadre de l'octroi de crédit, renforçant la transparence et le contrôle des décisions automatisées. Cette recommandation s'appuie directement sur la jurisprudence européenne : ces décisions sont venues confirmer qu'un scoring est une décision automatisée lorsqu'il joue un rôle déterminant dans l'octroi de crédit et consacrent un droit à l'explication sur le fonctionnement du mécanisme qui a conduit à une prise de décision. Pour un dossier PME scoré automatiquement, cela signifie concrètement que tout emprunteur peut demander un réexamen humain de son dossier en cas de refus automatisé.
Le superviseur bancaire français prend également position, même si son pouvoir de contrôle formel suit le calendrier européen. L'ACPR a été désignée autorité de surveillance du marché au titre du règlement 2024/1689 pour les cas d'usage à haut risque liés aux services financiers, et exercera ces responsabilités à compter du 2 décembre 2027. En attendant, elle façonne déjà sa doctrine : elle travaille sur la gouvernance des algorithmes depuis 2019 — explicabilité, auditabilité, gestion des biais, qualité des données — et a soumis à consultation publique, jusqu'au 30 septembre 2026, un document de réflexion sur l'équité algorithmique dans le secteur financier. L'ACPR avait d'ailleurs ouvert la voie dès ses premiers travaux pratiques, en organisant un défi où des modèles prédictifs de risque de crédit, développés par des établissements de crédit de la Place, devaient être expliqués par les participants — preuve que l'explicabilité des modèles de crédit occupe le régulateur français depuis plusieurs années, bien avant l'AI Act.
Dans la pratique d'un cabinet de conseil accompagnant des directions risques, trois enseignements se dégagent de ce comparatif pour un cas crédit PME.
Pour une direction des risques, la question n'est donc plus "interprétable ou boîte noire" mais "quel niveau de preuve puis-je produire, pour quel volume de dossiers, et à quel coût d'audit". C'est précisément l'arbitrage que nous outillons chez Dataistudio, en croisant benchmarks techniques et exigences réglementaires sectorielles — un sujet que nous approfondissons dans notre accompagnement des secteurs financiers régulés.
Le report du régime haut risque à décembre 2027 ne doit pas être lu comme un répit total. Le RGPD s'applique déjà pleinement à tout traitement de scoring, et la recommandation CNIL de mai 2026 en précise les modalités concrètes pour le crédit dès aujourd'hui. Les équipes data qui attendent 2027 pour documenter leurs modèles de scoring PME prennent un risque contentieux immédiat, indépendamment du calendrier européen sur l'IA. Construire dès maintenant une chaîne d'explicabilité robuste — que le modèle choisi soit une régression logistique ou un XGBoost expliqué par SHAP — reste la meilleure protection face à un cadre réglementaire mouvant mais dont la direction ne varie pas : plus de transparence, plus de traçabilité, plus de contrôle humain sur les décisions automatisées.
Nous utilisons des cookies de mesure d'audience et de suivi publicitaire pour comprendre la fréquentation du site et l'efficacité de nos annonces. Rien n'est déposé sans votre accord. En savoir plus