Une femme qui dirige une entreprise de négoce rentable à Lagos ou à Addis-Abeba peut aujourd’hui obtenir son premier prêt par des voies qui étaient impossibles il y a dix ans. Les données alternatives et le scoring assisté par l’IA aident les prêteurs à repérer des entreprises dirigées par des femmes solvables, que le crédit traditionnel ignore totalement. C’est un bond en avant, mais cela ne va pas assez loin. Les données actuelles prouvent l’accès, mais pas le passage à l’échelle ni la progression : ces mécanismes fonctionnent bien pour le microcrédit, mais cessent généralement de fonctionner au moment où une entreprise est prête à changer d’échelle.
Par Naoko Koyama
Le déficit d’information
Sur les marchés africains, les entreprises détenues par des femmes sont négligées par les institutions financières pour de multiples raisons, notamment parce que les produits, les processus et les modèles opérationnels ne sont pas conçus en fonction de la manière dont de nombreuses femmes entrepreneures dirigent et développent leur activité. L’un des obstacles les plus persistants est la solvabilité perçue. Les prêteurs ne disposent souvent pas des informations sur lesquelles ils s’appuient habituellement pour évaluer ces entreprises. Les femmes sont moins susceptibles de détenir des biens immobiliers titrés ou d’autres actifs acceptés en garantie, et plus susceptibles de diriger des entreprises informelles, fonctionnant en espèces, qui laissent peu d’historique de crédit structuré.
Les données de l’IFC portant sur 183 institutions financières clientes en 2024 ont montré que les prêts aux PME détenues par des femmes ne représentaient que 19 % du volume du portefeuille PME et étaient inférieurs de 28 % en moyenne. Malgré ces écarts, leur performance de remboursement à plus long terme était comparable à celle de l’ensemble du portefeuille, avec des taux de prêts non performants à 90 jours de 3,6 % et 3,8 % respectivement. Cela révèle un décalage entre la manière dont les entreprises détenues par des femmes sont évaluées et le risque qu’elles démontrent au final : elles reçoivent des prêts plus faibles malgré une performance de remboursement comparable. C’est précisément ce déficit d’information qui justifie de prendre les données alternatives au sérieux.
Ce que permettent les données alternatives
En s’appuyant sur les historiques de mobile money, les flux de trésorerie, les registres d’épargne de groupe et les mécanismes de garantie, les prêteurs peuvent tarifier le risque d’emprunteurs que le crédit conventionnel ne parvient tout simplement pas à voir. Au Nigeria, un produit de prêt numérique fondé sur les flux de trésorerie, mis au point avec Access Bank et Sterling Bank et soutenu par l’Initiative de financement des femmes entrepreneures (We-Fi) de la Banque mondiale, a remplacé les exigences de garantie par des données sur les transactions commerciales. Après des résultats initiaux prometteurs, le modèle est en cours d’adaptation pour le Ghana et le Sierra Leone, notamment grâce à des mesures telles que la vérification biométrique de l’identité, afin d’accélérer les procédures de connaissance du client (KYC), et le scoring de crédit alternatif.
L’IA peut rendre le scoring fondé sur des données alternatives plus rapide et plus facile à déployer à grande échelle. Les modèles d’apprentissage automatique peuvent analyser un éventail plus large d’informations, notamment l’usage du mobile money, les ventes, l’épargne et les historiques de remboursement, et automatiser certaines étapes de l’évaluation du crédit pour les emprunteurs disposant d’un historique de crédit conventionnel limité. Lorsque les données nécessaires sont déjà disponibles et accessibles, cela peut aussi réduire le coût d’évaluation d’un grand nombre d’emprunteurs de petits montants.
Mais l’IA et les modèles ne valent que ce que valent les données sur lesquelles ils reposent. Cela peut poser problème de deux manières. D’abord, si les femmes à faible revenu ou les entreprises dirigées par des femmes sont largement absentes du jeu de données, le modèle ne peut tout simplement pas les évaluer : seules 31 % des femmes en Afrique utilisaient Internet en 2024, contre 43 % des hommes, ce qui reflète un fossé numérique plus large qui limite les données disponibles sur les emprunteuses. Ensuite, même lorsque les entreprises dirigées par des femmes figurent dans les données, un modèle entraîné principalement sur des entreprises plus grandes ou dirigées par des hommes peut intégrer des hypothèses qui ne reflètent pas la manière dont les femmes gèrent réellement leur activité, ce qui biaise les scores à leur détriment. Un problème connexe tient à la sous-représentation persistante des femmes dans la conception et la gouvernance de ces systèmes, ce qui peut encore ancrer des hypothèses déconnectées des réalités entrepreneuriales des femmes. Sans correction délibérée, le scoring par IA peut renforcer les biais ancrés dans les méthodes de notation traditionnelles, à moins qu’un prisme intentionnel de lutte contre les biais ne soit introduit.
Où se situe le plafond
Les données alternatives ont un plafond, et il se situe précisément là où commence la croissance. Les modèles évoqués ci-dessus fonctionnent bien pour les petits prêts fondés sur les transactions, où des systèmes de scoring automatisés peuvent évaluer un prêt de stock adossé au mobile money et permettre une approbation en quelques minutes. Ils n’ont pas été conçus pour le prêt dont une femme a besoin pour acheter des machines pour son entreprise ou formaliser une activité en croissance. Les financements plus importants, adossés à des actifs, réintroduisent l’évaluation des garanties et des flux de trésorerie que les données alternatives étaient censées remplacer.
Mais le plafond n’est pas seulement technique. Même lorsque les prêteurs pourraient étendre les approches fondées sur des données alternatives, ou les combiner avec une souscription traditionnelle pour des prêts plus importants, les femmes touchées par des produits d’entrée de gamme ne sont pas toujours traitées comme un segment doté d’un parcours délibéré vers des financements plus importants. Il existe relativement peu de données permettant de savoir si les emprunteuses qui réussissent font ensuite croître leur entreprise, absorbent des prêts plus importants et passent à des produits plus commerciaux. Cela crée un écart qui s’auto-entretient : faute de preuves de progression, les prêteurs ont moins de raisons de la concevoir.
Cet écart reflète le « chaînon manquant » (missing middle) plus large de l’Afrique : un programme éthiopien conçu pour des femmes entrepreneures orientées vers la croissance affichait des prêts d’environ 12 000 dollars en moyenne dès lors que les emprunteuses dépassaient le prêt de groupe, un montant trop élevé pour la microfinance et trop faible pour les banques commerciales.
Des entreprises pionnières transforment l’accès en progression
Un petit nombre d’institutions financières et de fintechs commencent à aller au-delà du premier accès en suivant ce qui se passe après un premier prêt et, dans certains cas, en créant des passerelles vers des produits financiers de renouvellement ou de montant plus élevé. Leur expérience offre des premiers éléments indiquant que le crédit fondé sur des données alternatives peut favoriser la progression, et pas seulement l’entrée dans le crédit formel.
Kifiya, la fintech éthiopienne à l’origine de l’infrastructure de crédit dopée à l’IA de plusieurs banques partenaires, a été présentée par le Groupe de la Banque mondiale et l’IFC dans une étude de cas de 2026 comme un modèle de crédit fondé sur des données alternatives à grande échelle : elle a permis de mobiliser plus de 755 millions de dollars de crédit et d’assurance et a évalué plus de 4 millions de demandes de prêt. Son propre suivi post-prêt est ici la donnée la plus utile : dans une enquête menée auprès de 1 792 emprunteurs, dont 99 % de femmes, 88 % ont déclaré que leur entreprise était toujours active après le prêt et 78 % ont déclaré une hausse de leurs revenus. Sur l’ensemble du portefeuille, 65 % des emprunteurs de Kifiya au cours de l’année écoulée étaient des emprunteurs récurrents – un chiffre à retenir.
En Égypte, le moteur de scoring de MNT-Halan, alimenté par l’IA et fondé sur des données transactionnelles et comportementales, a automatisé plus de la moitié des approbations de prêts et porté à 60 % le taux d’approbation pour des emprunteurs jusque-là non scorables. L’entreprise cite des clients individuels passés d’une première limite de crédit à une carte de crédit, puis à des produits d’investissement. Cela montre de réels progrès, mais ces données sont déclarées par l’entreprise elle-même plutôt que mesurées de manière indépendante, ce qui est précisément la lacune que le secteur doit encore combler.
Le produit de flux de trésorerie d’Access Bank est également ce qui se rapproche le plus, dans cet article, d’une preuve de progression contrôlée. Entre janvier 2021 et août 2023, la banque a décaissé plus de 20 000 prêts sur flux de trésorerie à plus de 15 500 entreprises clientes – dont 30 % de femmes – avec un taux de remboursement de 99 %, et 45 % des emprunteurs sont revenus pour un nouveau prêt.
Prises ensemble, ces études de cas sont prometteuses, mais la base de données probantes reste embryonnaire. Une bonne partie des données de progression disponibles est encore produite par les prestataires eux-mêmes, et relativement peu de programmes suivent systématiquement le passage des emprunteurs du premier accès à des prêts plus importants, à des conditions commerciales et à une croissance durable de l’entreprise. Constituer cette base de données probantes, et partager ce qui fonctionne entre institutions et entre marchés, sera déterminant si l’on veut que le crédit fondé sur des données alternatives devienne une voie vers la croissance plutôt qu’un simple produit d’entrée de gamme de plus.
Ce que cela signifie pour les institutions
Pour les institutions financières africaines, la question cruciale est de savoir si elles peuvent construire et mesurer l’ensemble du parcours client : suivre la croissance du montant des prêts et le passage à des conditions commerciales au-delà de la première approbation, au lieu de considérer un premier décaissement comme un succès. Cela implique aussi de tester tout modèle à la fois auprès de banques et de fintechs, et sur plusieurs marchés. Ce qui reste à prouver, c’est si ces modèles peuvent aider de manière constante les MPME détenues par des femmes à passer d’un premier accès à des financements plus importants et plus commerciaux.
Naoko Koyama est associée chez Dalberg Advisors.
