# Affirm élargit son évaluation du crédit grâce aux transformateurs > Affirm intègre des modèles fondés sur les transformateurs à son évaluation du crédit pour mieux prédire remboursements et capacité de paiement. Type : Actualité IA · Catégorie : Secteur · Publié le 2026-10-25 · Signal IA - Order & Chaos · Secteur : Finance Source : https://www.orderchaos.eu/signal-ia/actu/affirm-mise-sur-les-transformateurs-pour-evaluer-le-credit Tags : crédit, finance, ia, fintech, remboursement, llm --- ## En résumé - Affirm intègre des modèles fondés sur les transformateurs dans son évaluation du crédit. - Le modèle analyse les séquences historiques de crédit, d’achats et de remboursements. - Parafin et Plaid utilisent également des modèles fondés sur les transformateurs pour le crédit. **Le signal :** Affirm utilise une technologie de transformateurs pour analyser les séquences de crédit et de remboursement des consommateurs. **Affirm élargit** son évaluation du [crédit](/signal-ia/actu/le-gicp-revele-leffet-de-la-gouvernance-sur-limpact-de-lia) avec une technologie fondée sur les transformateurs. Le prêteur intégré au point de vente utilise cette approche dans ses modèles d’évaluation. Affirm espère ainsi évaluer davantage de demandes qu’auparavant. La technologie cherche à mieux prédire la capacité et la volonté des consommateurs à rembourser. Libor Michalek, président d’Affirm, a expliqué cette évolution à [American Banker](https://www.americanbanker.com/payments/news/why-affirm-is-incorporating-llm-tech-into-its-underwriting). Les modèles fondés sur les transformateurs équipent aussi les grands modèles de langage. Leur principe consiste à repérer des séquences et à prédire ce qui vient ensuite. Affirm applique ce principe aux comportements de crédit et de paiement. **Le modèle observe** les historiques de crédit, d’achats et de remboursements comme des séquences. L’ancienne génération de modèles reposait sur des signaux conçus manuellement par les ingénieurs. Chaque signal apportait une information déterminée au modèle. La nouvelle approche recherche plus généralement des régularités dans les achats remboursés, les remboursements et les événements de crédit. Elle demande donc moins de consignes précises aux ingénieurs pour identifier les motifs. Michalek compare cette prédiction à celle d’un mot suivant dans une phrase. Cette logique structurelle relie l’évaluation du crédit au fonctionnement des modèles de langage. Affirm l’applique toutefois à des comportements financiers historiques. ## Affirm analyse les séquences de crédit **Un [paiement](/signal-ia/actu/affirm-approuve-plus-demprunteurs-avec-un-modele-transformer) manqué** peut désormais être interprété comme un événement temporaire. Le modèle peut aussi le distinguer d’une tendance négative plus durable. Cette distinction concerne l’évaluation de la capacité et de la volonté de remboursement. L’approche transforme donc la lecture d’un événement isolé en analyse d’une séquence. Les modèles précédents détectaient surtout les motifs que les ingénieurs leur avaient demandé de rechercher. Le modèle fondé sur les transformateurs reçoit une consigne plus générale. Il recherche des schémas dans plusieurs catégories de données financières. Affirm vise ainsi des prédictions portant sur le comportement futur des consommateurs. L’entreprise présente cette utilisation comme un moyen d’évaluer davantage de crédits. **D’autres acteurs** utilisent déjà cette technologie pour l’évaluation du crédit. Parafin, société d’[infrastructure](/signal-ia/actu/alphabet-affiche-59-milliards-de-deficit-dans-lia) financière détenue par Stripe, s’appuie sur un modèle fondé sur les transformateurs. Ce modèle évalue le crédit des petites entreprises à partir de leurs flux de trésorerie. Parafin affirme que prédire le prochain nombre d’une séquence ressemble structurellement à prédire le prochain mot d’une phrase. Plaid dispose également d’un modèle d’évaluation du crédit fondé sur les transformateurs. Aaron McPherson, principal chez AFM Consulting, considère que la combinaison de plusieurs modèles d’apprentissage automatique est une pratique établie. Il voit aussi un intérêt à une adoption plus large par les prêteurs. ## Les prêteurs arbitrent précision et transparence **La transparence reste** un point de vigilance pour ces modèles. McPherson décrit les grands modèles de langage comme des boîtes noires. Il estime qu’il est difficile de comprendre pourquoi un modèle produit une prédiction donnée. Selon lui, une utilisation possible consiste à découvrir de nouvelles caractéristiques grâce aux modèles fondés sur les transformateurs. Ces caractéristiques pourraient ensuite être modélisées avec une technique plus transparente. McPherson juge qu’une approche commune entre prêteurs pourrait améliorer la précision. Elle garantirait l’utilisation des mêmes données dans l’analyse et le suivi du crédit. Il présente toutefois cette technologie comme un avantage concurrentiel reproductible par d’autres prêteurs.