42 milliards de dollars : c’est le déficit de financement annuel des PME dirigées par des femmes en Afrique que le scoring alternatif – de plus en plus adopté par les banques et les fintechs – pourrait contribuer à combler. Mais des algorithmes nourris de données historiques risquent surtout de reconduire le biais de genre. À défaut égal ou inférieur, les femmes évaluées par ces modèles obtiennent des scores 6 à 8 points plus bas que les hommes. Sans garde-fous, la technologie habille l’exclusion d’un vernis d’objectivité. Certaines fintechs réagissent : la tanzanienne Tausi Africa purge ses modèles des métadonnées de genre, l’indienne Lendingkart audite les siens contre les biais. Comment recalibrer les modèles du secteur ?
Points clés
- Données utiles ou piège : quelles données alternatives élargissent vraiment l’accès des femmes au crédit – et lesquelles renforcent les biais ?
- Standards et recours : quelles règles pour l’audit des biais, la transparence et la contestation des scores ?
- Garder l’humain : où le jugement humain doit-il rester irremplaçable dans le processus de crédit ?