Défaillances 2026 : l'IA prédictive avait-elle vu juste ?

‍

Ce que le modèle d’IA prédictive avait anticipé fin 2025

Pour procéder à son analyse, le modèle d'IA s'est appuyé sur des données qui vont au-delà des indicateurs macroéconomiques traditionnels (croissance, inflation, taux d'intérêt, accès au crédit).

Le Journal du Net précise qu'il exploite aussi des données issues de l'activité quotidienne des entreprises :

• allongement des délais de décision ;
• baisse de la fréquence des commandes ;
• contraction du panier moyen ;
• hausse des demandes de report ;
• hausse des retards de paiement.

Pris isolément, ces signaux ne veulent rien dire, mais leur accumulation permet de détecter un changement de situation avant qu'il n'apparaisse dans les statistiques officielles.

En s'appuyant sur cette approche, le modèle avait retenu, en novembre 2025, une hypothèse de 69 200 procédures collectives pour la France en 2026, un chiffre plus élevé que la prévision publiée à la même période par Allianz Research dans son étude Global Insolvency Outlook 2026-27 (octobre 2025), qui tablait sur environ 65 500 défaillances pour 2026. L'écart entre les deux lectures portait donc sur la direction même de la tendance : une stabilisation selon Allianz Research, une poursuite de la hausse selon le modèle d'IA.

Six mois de données permettent aujourd'hui de confronter ces différentes lectures.

‍

Ce que les données du premier semestre 2026 confirment

Les chiffres du premier semestre permettent une première évaluation. Cette confrontation porte sur deux plans distincts : l'ordre de grandeur global, et la répartition du risque par secteur.

Un niveau qui dépasserait l'hypothèse initiale

Selon l'étude Altares du deuxième trimestre 2026, la France a enregistré 37 700 défaillances d'entreprises sur les six premiers mois de l'année, soit 1 500 de plus que sur la même période en 2025.

Pour estimer le total annuel, Altares avance elle-même une hypothèse pour le second semestre : entre 34 000 et 35 000 nouvelles procédures. En additionnant ce nombre aux résultats du premier semestre, le total 2026 se situerait entre 71 700 et 72 700 procédures.

Si l'hypothèse d'Altares pour le second semestre se vérifiait, le total 2026 se situerait à un niveau qui dépasserait la prévision de 69 200 retenue par le modèle d'IA. Le scénario alors jugé le plus pessimiste s'avérerait donc, six mois plus tard, légèrement en dessous de la réalité.

Une cartographie sectorielle partiellement vérifiée

L’IA prédictive a identifié plusieurs secteurs comme particulièrement exposés au risque de défaillance en 2026 : la construction, le transport, le commerce, l'hébergement-restauration et les services aux entreprises.

Les chiffres d'Altares pour le deuxième trimestre 2026 confirment cette exposition pour deux secteurs sur cinq :

• Services aux entreprises : +13,9 % de défaillances sur un an, portées notamment par les activités de conseil et les services administratifs ;
• Hébergement-restauration : +9,5 %, avec une dégradation marquée du côté de l'hébergement (+41,5 %) ;
• Commerce : +1,9 %, une hausse contenue plutôt qu'une dégradation nette ;
• Construction : -0,8 %, en léger recul plutôt qu'en dégradation ;
• Transport routier : -1,4 %, également en recul.

Ces données montrent que l’IA prédictive peut identifier une tendance de fond tout en se trompant sur certains secteurs pris isolément.

‍

Ce que cet exercice apprend sur l’évaluation d’une prévision IA

Le cas étudié ici est utile au-delà de son résultat chiffré. Il illustre une bonne pratique pour juger une prévision de l’IA, en évitant deux réactions excessives : la rejeter dès le premier écart constaté ou la présenter comme une réussite dès qu'elle semble se vérifier.

Un chiffre exact n'est pas le seul critère qui compte

Juger une prévision uniquement sur l'écart entre le chiffre annoncé et le chiffre final est réducteur. Dans le cas étudié, le modèle a par exemple bien anticipé que les défaillances resteraient à un niveau élevé plutôt que de refluer, ce qui constitue déjà une information utile pour une direction financière, indépendamment de la précision du chiffre exact. Il a aussi correctement situé l'ordre de grandeur du phénomène, sans se tromper d'échelle.

En revanche, sur la répartition sectorielle, le résultat est plus mitigé car seul deux des cinq secteurs mentionnés confirment l'exposition anticipée. Un modèle peut donc être fiable sur la tendance générale tout en donnant des indications moins solides une fois qu'on descend à un niveau plus détaillé.

Une prévision qui se vérifie n'explique pas forcément pourquoi

Le fait que l'ordre de grandeur se confirme ne prouve pas que le modèle a identifié les causes profondes des défaillances observées. Un modèle prédictif repère des combinaisons de signaux associées statistiquement à un phénomène, sans nécessairement établir de lien de cause à effet entre eux.

Ce n'est pas un défaut en soi, à condition de ne pas lui prêter une capacité qu'il n'a pas. Son rôle est d'alerter et de hiérarchiser des risques, pas d'expliquer un phénomène économique dans son ensemble. Il faut aussi garder à l'esprit qu'un résultat qui se vérifie a posteriori paraît toujours plus logique qu'il ne l'était au moment où la prévision a été formulée, avant que la réalité ne tranche entre les différents scénarios possibles.

‍

De la prévision macroéconomique à la détection au niveau du portefeuille client

Ce cas dépasse le seul sujet des défaillances nationales. La méthode qu'il illustre, combiner plusieurs signaux faibles pour estimer une probabilité de risque, s'applique aussi à une tout autre échelle : la détection du risque au sein d'un portefeuille client.

Le score de risque repose sur un principe proche de celui étudié ici. Il est calculé pour chaque client à partir de plusieurs signaux (historique de paiement, comportement récent, données externes), sans jamais garantir avec certitude ce qui va se produire pour ce client en particulier. Comme pour une prévision macroéconomique, l'enjeu n'est pas d'obtenir un chiffre exact, mais d'identifier les bonnes tendances suffisamment tôt pour agir.

Un score de risque alimenté par des données à jour

C'est le principe sur lequel repose le scoring client de l’IA de LeanPay, construit à partir de l'historique de paiement du client et de données externes telles que les procédures collectives publiées au Bodacc ou les indicateurs financiers fournis par des partenaires comme Altares, Infolegale, Ellisphere ou Creditsafe.

Au-delà du score global, LeanPay suit également l'évolution du comportement de paiement propre à chaque client dans la durée : allongement progressif des délais de règlement, promesses de paiement non tenues, retards qui deviennent récurrents. Comme pour une prévision macroéconomique, aucun de ces signaux pris isolément ne suffit à conclure. C'est leur combinaison et leur évolution dans le temps qui font remonter une alerte, avant que le retard ne se transforme en impayé.

Du signal à la décision

Ces informations alimentent en temps réel le reporting de recouvrement, qui restitue les KPIs du poste clients dans un tableau de bord :

• Le DSO des 6 derniers mois, pour analyser son évolution ;

• La balance âgée, qui trie les créances par ancienneté et niveau de retard ;

• L'encours client, réparti par type de créance (échue, non échue, en litige, en contentieux…) ;

• Les prévisions d'encaissements à trois mois, basées sur les habitudes de paiement réelles de chaque client ;

• Le top débiteurs, pour repérer rapidement les comptes qui concentrent le plus d'encours.

Cela permet de visualiser en un coup d'œil où se concentre le risque, plutôt que de le découvrir client par client.

Les utilisateurs de LeanPay constatent une diminution du risque d’impayés à moins de 1 %. Découvrez notre logiciel de gestion du risque client avec une démo personnalisée.