L’IA vous demande de payer : derrière les gains annoncés

L’IA vous demande de payer · Volet 2

Lire le premier volet : qui décide de la relance ?.

Le 7 avril 2025, Intrum annonçait pour sa plateforme Ophelos une hausse de 25 % des taux de recouvrement amiable aux Pays-Bas, accompagnée d’une baisse de 22 % du coût de recouvrement. Des résultats présentés comme précoces, sans protocole permettant au lecteur de refaire la comparaison. [1]

La promesse mérite d’être prise au sérieux. Récupérer plus rapidement une somme due, avec moins de démarches et à moindre coût, peut arranger le créancier comme la personne qui doit payer. Mais les mêmes mots peuvent désigner des progrès très différents : davantage de réponses, un premier versement, un échéancier accepté ou une dette effectivement réglée.

Un logiciel peut exceller à obtenir un engagement dont il ne verra jamais l’issue. Il peut aussi rendre un véritable service en repérant une demande injustifiée, avec pour résultat une somme encaissée plus faible. Pour évaluer le recouvrement automatisé, il faut regarder ce qui arrive au dossier après la conversation.

Cette enquête documentaire examine des publications d’entreprises, des travaux de recherche et des documents de supervision disponibles au 24 septembre 2026. Les résultats étrangers ne sont pas présentés comme des mesures du marché français. Aucun dossier individuel ni test de plateforme en production n’est utilisé.

Les résultats annoncés ne mesurent pas la même chose

Dans une brochure diffusée par Intrum Belgique sous l’intitulé AI in Credit Management 2025, l’entreprise annonce un résultat de recouvrement en hausse de 6 % sur 120 jours, des coûts en baisse de 13 % sur cette durée et une satisfaction passant de 4,21 à 4,38. La page consacrée aux résultats ne précise ni les dates calendaires, ni la taille des groupes, ni la construction exacte du comparateur. La diffusion belge du document ne suffit pas à identifier la population étudiée. [2]

Ces chiffres ne contredisent pas les résultats néerlandais. Ils ne permettent pas davantage de conclure que la performance se dégrade de 25 % à 6 % : rien ne démontre qu’il s’agit de la même mesure, sur les mêmes créances et pendant une période comparable.

Avant d’expliquer un écart, il faut savoir ce qu’on compte. Un taux calculé sur le nombre de dossiers ayant enregistré un paiement n’a pas le même sens qu’un taux calculé sur la part des sommes initialement dues effectivement récupérée. Quelques paiements partiels peuvent améliorer le premier sans beaucoup modifier le second. Les deux indicateurs sont utiles, mais ils répondent à deux questions.

La durée apporte une autre distinction. À horizon rapproché, un dispositif peut surtout avancer des règlements qui auraient été effectués plus tard. Ce gain de trésorerie a une valeur pour le créancier. Il ne prouve pas que le montant finalement récupéré sera supérieur. Pour séparer accélération et récupération supplémentaire, il faut suivre les versements suffisamment longtemps.

Même la clôture d’un dossier doit être définie. Solde payé, abandon commercial, contestation reconnue, transfert à un autre prestataire et fin de mandat ne devraient pas être fondus dans une seule catégorie de « résolution ». Ce serait perdre l’explication du résultat au moment de le compter.

Ce qu’il faut conserver au dénominateur

Une comparaison robuste commence par une cohorte : un ensemble de dossiers entrés dans le processus pendant une période définie, que l’on suit ensuite sur une même durée. Cette règle évite de confronter des créances qui viennent d’arriver à d’autres auxquelles on a déjà consacré plusieurs mois.

Le groupe de départ compte autant que le résultat final. Si l’automatisation ne prend en charge que des personnes joignables, des créances récentes ou des montants simples à régler, ses performances ne décrivent pas tous les dossiers confiés au recouvreur. Elles peuvent être excellentes dans ce périmètre. Encore faut-il le conserver dans la présentation.

Il serait particulièrement trompeur de retirer du calcul les dossiers transférés à un humain après une difficulté, puis de comparer le reste aux résultats de l’équipe humaine. L’une garderait les cas qu’elle a pu traiter ; l’autre hériterait aussi des exceptions. Une comparaison entre parcours doit suivre le groupe initial jusqu’au bout, même lorsque l’interlocuteur change.

Cela demande un registre des entrées, des sorties et de leur motif. Il faut ensuite rapprocher les mouvements de paiement, déduire les annulations et remboursements, et séparer le principal des frais. Le traitement des intérêts, remises et créances contestées doit être expliqué. Sans cette comptabilité, une variation de montant peut raconter autre chose qu’une amélioration du service.

Les résultats gagneraient aussi à être présentés en niveau et en variation, avec leur incertitude. Une hausse relative, à elle seule, ne renseigne ni sur le taux de départ, ni sur le nombre de personnes concernées. Un pourcentage spectaculaire peut porter sur peu de dossiers ; un petit écart peut concerner une population importante.

Ces exigences ne supposent pas la publication des identités ou des conversations. Des statistiques agrégées correctement définies, accompagnées d’un contrôle indépendant, permettraient déjà une vérification beaucoup plus solide.

Le gain peut venir du portail, du modèle ou de l’organisation

Le rapport annuel 2025 d’Intrum introduit lui-même cette nuance. À la page 19, le directeur financier distingue les économies possibles grâce à la standardisation des pratiques de celles que l’IA pourrait apporter progressivement. Son propos porte sur la transformation du groupe, pas sur l’évaluation d’une expérience particulière. [3]

Prenons une situation hypothétique : un nouveau portail facilite le paiement, les équipes changent leurs règles d’orientation et un modèle choisit le moment des relances. Si les encaissements progressent, le projet peut être une réussite. Attribuer toute la différence au modèle serait pourtant prématuré.

La comparaison pertinente dépend de la question posée. Pour décider d’adopter une offre complète, un créancier peut vouloir connaître son effet par rapport au service précédent. Pour établir la contribution de l’IA, il faut chercher ce qui aurait changé avec le même parcours modernisé, mais sans la fonction intelligente évaluée. Le coût du projet et la qualité de l’alternative font partie du raisonnement.

Lorsqu’elle est possible et correctement encadrée, une répartition aléatoire de dossiers comparables aide à éviter que les opérateurs choisissent le traitement selon leur difficulté. Elle ne dispense pas de publier ce qui diffère entre les groupes, de conserver les transferts dans l’analyse ni de suivre les résultats après le premier paiement.

Le calcul des économies exige la même discipline. Un coût par contact peut diminuer pendant que le nombre de contacts augmente. Un coût par euro récupéré peut baisser parce que les encaissements progressent, sans réduction équivalente de la dépense totale. Licences, calcul informatique, contrôle, intégration et reprises humaines doivent être inclus selon un périmètre annoncé.

Il serait tout aussi réducteur de considérer toute économie comme suspecte. Moins de tâches administratives et une procédure plus facile peuvent profiter aux deux parties. Ce bénéfice commun doit pouvoir être observé, sans être déduit du seul montant économisé par l’opérateur.

Les expériences de terrain imposent de regarder la suite

Un travail de James Choi et de ses coauteurs, diffusé par le NBER en avril 2025, étudie un prêteur chinois sur des données d’avril 2021 à décembre 2023. Les dossiers analysés sont entrés en recouvrement avant décembre 2022, afin de permettre un suivi d’au moins un an. Dans l’expérience aléatoire, des dossiers sont confiés à l’IA du deuxième au cinquième jour de retard, puis aux humains à partir du sixième ; les autres sont traités par des humains dès le deuxième jour. Les dossiers initialement confiés à l’IA rapportent moins selon la mesure des auteurs. L’écart se réduit fortement après le relais humain, mais persiste à 360 jours. [6] [7]

Le montant étudié tient compte du moment des versements : les auteurs actualisent les sommes, autrement dit donnent une valeur moindre à un paiement plus tardif, puis rapportent le total à l’impayé initial. Leur mesure ne doit donc pas être reprise comme un simple taux de dossiers soldés. Les protocoles et tableaux sont disponibles dans la version d’auteur du 30 mars 2025. [7]

Cette recherche ne teste pas les agents génératifs français de 2026. Elle montre surtout pourquoi une promesse obtenue ou une reprise humaine réussie ne suffit pas à évaluer tout un parcours. La présentation publiée par Yale situe le déploiement étudié avant la diffusion large des outils génératifs actuels. [8]

D’autres résultats empêchent de généraliser ce moins bon résultat de recouvrement. Dans un article mis en ligne le 7 mai 2026 par Manufacturing & Service Operations Management, Fang et ses coauteurs rapportent deux expériences aléatoires de terrain. Selon leur résumé, des agents IA non présentés comme tels surpassent les humains avec certaines consignes émotionnelles adaptées au contexte, mais sous-performent avec des consignes inadaptées. Seuls le résumé et la notice éditoriale ont pu être examinés ici ; leurs pourcentages de gain ne sont donc pas repris. [9]

Ces recherches évaluent des systèmes et des parcours différents. Elles ne permettent pas de départager l’« IA » et l’« humain » en général. Elles invitent à préciser les instructions, la population, la durée et les conditions de l’interaction avant de transférer un résultat vers un nouveau service.

La présentation du système à l’utilisateur fait elle aussi partie de ces conditions. Dans l’Union européenne, l’article 50 du règlement européen sur l’intelligence artificielle (AI Act) s’applique depuis le 2 août 2026 : pour les interactions directes concernées, le fournisseur doit prévoir une information sur la nature artificielle de l’interlocuteur, sous réserve notamment du cas où elle est évidente. Une expérience avec une IA non déclarée n’est pas une recette directement transposable. [10]

Ce que recouvre la baisse de « stress » annoncée par PAIR

Le 11 février 2026, PAIR Finance a présenté une étude commandée par l’entreprise comme montrant une réduction de 36 % du stress émotionnel lié au recouvrement. Le calcul communiqué repose sur une part de participants disant se sentir jugés passant de 61 % à 39 %. La collecte s’est déroulée d’août à octobre 2025. [4]

L’arithmétique est claire : la baisse annoncée représente 22 points de pourcentage, soit environ 36 % du niveau initial. Ce calcul vérifie le passage d’un chiffre à l’autre ; il ne vérifie pas la construction des proportions elles-mêmes. Surtout, le sentiment d’être jugé est une dimension particulière de l’expérience. Il ne faut pas le transformer en mesure exhaustive du stress ou en preuve de meilleure santé financière.

La prépublication de Goetze, Clajus et Stricker porte sur 3 514 personnes réparties au hasard entre deux groupes. Chaque participant lisait un scénario de conversation. Il ne parlait pas à un agent et ne remboursait pas une dette dans le cadre du test. [5]

L’annexe apporte une précision déterminante : l’attente décrite est de dix minutes avec l’humain, dix secondes avec l’IA. Le texte humain comporte aussi une remarque sur le fait qu’il aurait fallu prendre contact plus tôt ; le texte IA remercie la personne pour sa franchise. Plusieurs dimensions de l’expérience changent ensemble. [5]

La répartition aléatoire permet de comparer les réactions à ces deux ensembles de caractéristiques. Elle ne permet pas d’attribuer tout l’écart à la seule identité artificielle de l’interlocuteur. Un accueil humain rapide, sans remarque sur le retard, aurait-il suscité le même sentiment ? Le protocole ne fournit pas cette comparaison.

Ce constat ne rend pas l’étude inutile. Un parcours numérique réellement plus disponible et moins culpabilisant peut constituer un progrès. Mais il reste alors à vérifier que l’offre déployée reproduit ces caractéristiques, et que l’effet existe auprès de personnes confrontées à une dette réelle. Évaluer une scène écrite ne mesure ni la capacité à tenir un échéancier, ni l’accès à un recours quand la conversation se passe mal.

La commande de l’étude par PAIR et la présence de deux coauteurs affiliés à l’entreprise doivent être connus du lecteur ; ils ne suffisent pas à invalider les observations. La publication du protocole permet justement cet examen. En revanche, l’étude ne constitue pas une validation indépendante de l’ensemble des résultats commerciaux du fournisseur. [4] [5]

Les absents du questionnaire de satisfaction

Les réponses de personnes satisfaites constituent une information utile. Il faut aussi pouvoir situer celles qui n’ont pas répondu.

Le rapport annuel d’Intrum décrit, à la page 75, une enquête envoyée par SMS après une interaction. Le groupe reconnaît explicitement les limites de sélection et de non-réponse : l’enquête touche les personnes ayant eu un échange, joignables par ce canal et qui choisissent de répondre. Les répondants ne représentent donc pas nécessairement toute la population contactée. [3]

Une amélioration de la moyenne peut venir d’un meilleur service, mais aussi d’un changement dans les personnes qui répondent. Pour le savoir, il faut le nombre d’invitations, le taux de réponse et une description du périmètre. Une hausse observée chez les utilisateurs d’un portail ne permet pas de connaître l’expérience de ceux qui n’y sont jamais entrés.

La même prudence vaut pour le volume d’appels. La brochure belge d’Intrum annonce 17 % de trafic entrant en moins, qu’elle attribue à l’adoption du libre-service. [2] Le mécanisme est plausible : une personne qui peut régler sa situation seule n’a plus besoin d’appeler. La vérification devrait néanmoins distinguer cette autonomie d’un abandon de la démarche.

Un contact évité, un appel abandonné et une demande résolue ne sont pas trois façons de compter le même résultat. Les rapprocher permettrait de voir si la baisse du trafic signifie une diminution du besoin d’aide ou une difficulté à l’obtenir. Ce sont des possibilités à départager, pas des incidents établis chez l’opérateur.

Le régulateur américain CFPB a documenté dès juin 2023 des plaintes concernant des parcours répétitifs et des difficultés à atteindre une assistance humaine dans les services financiers automatisés. Son rapport fournit des situations à surveiller, pas un taux d’échec applicable aux plateformes européennes actuelles. [11]

Mesurer ce qui reste après l’encaissement

La Financial Conduct Authority britannique a publié le 27 juillet 2026 une revue du suivi des résultats pour les clients. Elle souligne notamment la limite des indicateurs d’activité utilisés comme substituts aux effets réellement produits, et l’intérêt de croiser les sources d’information. Ce travail concerne les entreprises relevant du Consumer Duty britannique ; il ne constitue ni un contrôle du recouvrement français ni une règle française. [12]

Appliquée à notre enquête, cette distinction conduit à examiner ensemble les encaissements, le devenir des accords et les corrections. Un échéancier accepté devrait être suivi jusqu’à son terme, en distinguant les plans encore en cours de ceux qui sont arrivés à échéance. Comparer uniquement les plans terminés ferait disparaître une partie de l’histoire.

Une contestation appelle un autre critère : la demande a-t-elle été examinée et son résultat appliqué ? Lorsqu’une erreur est reconnue, il faudrait vérifier la mise à jour du montant, la restitution éventuelle des sommes et l’arrêt des démarches devenues sans objet. Une réponse polie ne donne pas cette information. Le solde comptable non plus, à lui seul.

Pour une personne en difficulté, la capacité à tenir l’accord doit être regardée avec ses autres obligations. Un règlement peut réduire une dette tout en laissant un loyer ou une facture essentielle impayés. Ce risque justifie une évaluation adaptée ; il n’autorise pas à collecter sans limite des données intimes ni à présumer que tout paiement traduit une mise en difficulté.

Le meilleur dossier de validation réunirait ainsi des cohortes définies avant l’analyse, des résultats suivis sur plusieurs horizons et des indicateurs d’erreur ou de recours. Les choix de périmètre, les changements de version et les exclusions resteraient visibles. Les difficultés rencontrées après transfert à un humain ne seraient pas effacées du bilan du parcours initial.

Il faudrait enfin vérifier le bénéfice auprès de ceux qui ne paient pas : demande infondée retirée, dossier transmis à un accompagnement adapté ou modalités revues lorsque la situation change. Le chiffre d’encaissement peut rester inchangé alors que le traitement s’améliore nettement.

Ce que les documents permettent de conclure

Les publications examinées décrivent des gains commerciaux et fournissent des pistes crédibles de simplification. Elles ne permettent pas de calculer un effet causal global de l’IA sur le recouvrement français, ni un bénéfice moyen pour les personnes concernées. Les comparaisons locales, les simulations psychologiques et les expériences de terrain étrangères ne comblent pas ce manque en s’additionnant.

Le constat le plus solide porte sur la manière de vérifier les promesses. Il faut garder le groupe de départ, les décisions de transfert et les événements survenus après le premier versement. L’argent récupéré doit être rapproché du coût complet et du traitement des difficultés. La satisfaction doit pouvoir être distinguée de l’absence de réponse.

Une IA de recouvrement devrait être évaluée jusqu’au devenir de l’accord ou de la contestation. Sans ce suivi, on saura qu’elle obtient une réaction. On ne saura pas encore si elle a aidé à résoudre la situation.

---

Méthode et limites

Les documents commerciaux attestent des affirmations de leurs auteurs, pas d’une reproduction indépendante de leurs résultats. Les pages et annexes utilisées sont indiquées ci-dessous. La version d’auteur du travail de Choi et ses coauteurs a été consultée ; pour l’article de Fang et ses coauteurs, l’analyse est limitée au résumé de l’éditeur et aux métadonnées. Les traitements statistiques n’ont pas été reproduits faute de données individuelles et de code exploités dans cette enquête. Aucun entretien, demande contradictoire envoyée ou test de dispositif réel n’a été effectué. Les points appelant une réponse restent des limites documentaires, pas des manquements établis.

Sources et périmètres

[1] Intrum · Proven impact: Our AI platform delivers results in both implementation and innovation. 7 avril 2025. Résultats précoces aux Pays-Bas, pas une mesure française. Cohortes et protocole de comparaison non détaillés.

[2] Intrum Belgique · AI in Credit Management 2025. Brochure identifiée comme 2025 ; date exacte non confirmée. Page 5 : résultats sur 120 jours pour le recouvrement et les coûts, satisfaction et trafic entrant. Population non détaillée.

[3] Intrum · Annual Report 2025. Exercice 2025. Page 19 : économies d’organisation et contribution progressive de l’IA. Page 75 : méthode et limites du questionnaire SMS. Les périmètres groupe et locaux ne sont pas interchangeables.

[4] PAIR Finance · Étude européenne : l’IA réduit le stress émotionnel lié au recouvrement de créances de 36 %. 11 février 2026 ; collecte d’août à octobre 2025. Source de l’allégation de 36 % et des proportions 61 % / 39 %. Commande de l’étude et liens des coauteurs présentés dans le communiqué.

[5] Minou Goetze, Sebastian Clajus, Stephan Stricker · AI in Debt Collection: Estimating the Psychological Impact on Consumers. Prépublication v1, notice datée du 19 janvier 2026. Méthode p. 4 ; résultats p. 6 ; scénarios du tableau A1 pp. 14-15. Scénarios lus, et non conversations réellement vécues.

[6] James J. Choi, Dong Huang, Zhishu Yang, Qi Zhang / NBER · How Good is AI at Twisting Arms? Experiments in Debt Collection: Working Paper 33669. Avril 2025. Notice NBER et résumé ; le texte intégral a été consulté via la version d’auteur ci-dessous. Le statut est celui d’un document de travail.

[7] James J. Choi et coauteurs, version liée depuis sa page Yale · How Good is AI at Twisting Arms? Experiments in Debt Collection. Version du 30 mars 2025, accessible depuis la page de recherche de l’auteur à Yale. Données et protocole pp. 10-17 ; tableau 4 p. 48. Pagination imprimée : montants actualisés et rapportés à l’impayé initial.

[8] Yale School of Management / Yale Insights · Can AI Replace Human Debt Collectors?. 20 mai 2025. Présentation de la recherche par l’université d’un coauteur ; utile pour situer la génération des systèmes étudiés. Les unités et détails empiriques sont vérifiés dans le papier original.

[9] Zheng Fang, Yuqian Chang, Xueming Luo, Qingsheng Wu, Jaakko Aspara / INFORMS · Artificial Intelligence, Emotional Labor, and Service Operations. Publication en ligne le 7 mai 2026 ; acceptation le 1er avril 2026. Résumé et notice seulement. Les gains chiffrés ne sont pas repris faute d’examen du texte et des bases de comparaison.

[10] Commission européenne · Transparency obligations under Article 50 of the AI Act. FAQ mise à jour le 24 juillet 2026. Application de l’article 50 à partir du 2 août 2026 ; portée et exceptions de l’information sur l’interaction avec l’IA.

[11] Consumer Financial Protection Bureau · Chatbots in consumer finance. 6 juin 2023. Analyse américaine de chatbots financiers et de plaintes : boucles de réponse, informations incorrectes et accès à une assistance. Aucun taux français n’en est déduit.

[12] Financial Conduct Authority · Outcomes monitoring: good practice and areas for improvement. 27 juillet 2026. Sections 1, 5 et 6 : distinction entre activité et résultats, suivi des parcours et croisement des indicateurs. Référence britannique, pas une règle française.

Documents consultés le 24 septembre 2026. Les dates de publication et les périodes observées sont distinguées lorsqu’elles sont connues.