Plus de 850 000 impayés de loyers sont signalés chaque année en France — un chiffre qui paralyse les propriétaires bailleurs, notamment les particuliers qui gèrent un bien pour financer leur retraite. L'incertitude avant d'accepter un candidat ronge le temps et l'énergie. Or une solution existe : la prédiction par intelligence artificielle, capable d'anticiper le risque de défaut de paiement dès la réception du dossier.
Ce guide explique comment fonctionne le scoring IA, quelles données alimentent ces modèles, leur fiabilité réelle, les garde-fous légaux, et surtout comment l'utiliser pour prendre une meilleure décision, sans jamais discriminer.
Problème : 850k impayés de loyers par an en France
Chaque année, c'est 850 000 situations d'impayés qui figent les revenus d'un propriétaire. Pour les trois quarts, l'impayé dure plus de six mois avant une action juridique. Les frais de recouvrement absorbent 10 à 25 % du montant initial. Pire : même gagnée, une action en justice coûte du temps et des frais d'avocat que beaucoup ne récupèrent jamais.
Les causes ? Chômage soudain, accident de vie, endettement croissant — mais elles ne tombent pas du ciel. Des signaux faibles existent : variation salariale, ratio dépenses-revenus, antécédents de loyer impayé, fragmentation du budget. C'est là qu'intervient la prédiction par IA : transformer ces signaux en score numérique, avant signature.
Le coût d'une décision humaine sur dossier incomplet ? Un impayé six mois plus tard. Le coût d'une prédiction ? Quelques minutes d'analyse et une probabilité de défaut quantifiée.
Scoring de risque : modèle IA et facteurs prédictifs
Un modèle de prédiction d'impayés fonctionne comme un score bancaire, mais pour la location. L'IA entraînée sur des milliers de dossiers historiques (impayés vs. paiements à terme) apprend à reconnaître les profils à risque.
Le scoring économétrique combine trois catégories de signaux :
Stabilité d'emploi — secteur, ancienneté, type de contrat (CDI vs. CDD, freelance). Un candidat en CDI depuis 5 ans dans le secteur public pèse très différent d'un candidat en CDD depuis 2 mois.
Disponibilité financière — ratio loyer-revenu, endettement global, antécédents de défaut bancaire. Si le loyer absorbe plus de 30–35 % du salaire net, le risque monte. Si le dossier de crédit montre un incident trois ans avant, c'est un signal.
Comportement passé — historique locatif (références propriétaires précédentes, impayés antérieurs, litiges éventuels), gestion budgétaire observée via les comptes bancaires.
L'IA attribue un score typiquement entre 0 et 100 (ou entre 0 et 1000). Un score de 75/100 signifie « 75 % de probabilité que ce locataire paie régulièrement ses loyers ». En dessous de 50, le défaut est probable. Au-dessus de 80, c'est très sûr.
Cet apprentissage automatique replonge les décisions dans des données : fini le sentiment, fini l'appel d'ami pour vérifier. C'est reproductible, documente, auditables.
Données prédictives : emploi, score bancaire, antécédents
Pour construire un score fiable, il faut des données justes. Voici ce que lisent les modèles IA :
Données employeur — Type de contrat, ancienneté, secteur, salaire brut mensuel. Un CDI de cinq ans dans la fonction publique = stabilité forte. Un CDD de quatre mois dans un bureau d'études = volatilité.
Données bancaires — Relevé de compte 3 mois : solde moyen, flux entrants-sortants, endettement (crédits, découverts). Une personne qui file à découvert chaque mois finance ses dépenses par du crédit revolver — elle croule sous les dettes invisibles.
Données de solvabilité — Score Experian ou équivalent, incidents de paiement (retards de crédit, dossier surendetté, chèques impayés), sinistralité d'assurance. Un incident cinq ans avant : toujours pertinent. Trois incidents, chacun dans un secteur différent : tendance négative.
Antécédents locatifs — Lettres de références précédentes (si fournies), historique chez l'agence (si ancien locataire Jimmi), plaintes ou litiges publics. Zéro antécédent n'est pas forcément mauvais, mais c'est une inconnue.
Données démographiques — Âge, situation familiale, nombre de personnes à charge. Un couple avec deux salaires stables paie plus régulièrement qu'un célibataire mono-revenu — c'est un fait statistique qu'on peut exploiter sans discrimination.
Le modèle pèse ces données ensemble. Un excellent score bancaire ne suffit pas s'il y a eu trois impayés précédents — et inversement, un profil moins traditionnel (auto-entrepreneur) peut être très sûr s'il a une trésorerie stable et zéro incident.
Fiabilité score : taux de précision et faux positifs
Aucun modèle IA n'est parfait. Typiquement, un bon score de prédiction d'impayés tourne à 75–85 % de précision.
- Vrais positifs : candidats prédits à risque qui deviennent effectivement impayés. Si la prédiction dit « 30 % de risque » et que c'est vrai dans 30 % des cas, c'est exact.
- Faux positifs : candidats prédits risqués qui paient régulièrement — le modèle s'est trompé.
- Faux négatifs : candidats prédits sûrs qui deviennent impayés — encore plus grave qu'un faux positif, car on a accepté quelqu'un qu'on devrait avoir rejeté.
L'erreur vient d'abord des données incomplètes. Si un modèle n'a pas accès au relevé bancaire réel mais seulement à la déclaration de revenus sur l'honneur, il opère à l'aveugle. Ensuite, les changements de vie : un licenciement une semaine après la signature n'était pas prévisible au jour du dossier.
Pour cette raison, un score IA doit toujours être combiné avec un jugement humain : vérifier les références, appeler un employeur, discuter avec le candidat. Le score n'élimine pas la conversation, il la cible. Elle devient plus pertinente.
Conformité légale : discrimination et RGPD dans scoring
La conformité est non-négociable. Un scoring IA mal conçu peut discriminer sans le vouloir — et c'est illégal.
La loi interdit toute décision reposant sur une donnée protégée :
- Origine, nationalité, race
- Sexe, orientation sexuelle, identité de genre
- Religion, opinions politiques
- État de santé
- Union syndicale, affiliation politique
- Âge (avec nuances : on peut utiliser l'âge si c'est justifié par une loi)
En location, impossible de refuser un locataire pour sa couleur de peau ou ses origines. Impossible aussi de construire un modèle où « candidat maghrébin = risque plus haut » ne pas du tout — même cachée dans une corrélation statistique.
Comment vérifier ? Tester le modèle en repassant les mêmes candidats avec des noms/nationalités différentes. Si le score change, c'est une discrimination indirecte : le modèle a appris une inégalité des données historiques.
Données personnelles — Les données bancaires, médicales, ou biométriques entrent sous le RGPD. Un propriétaire ou une agence doit :
- Demander consentement explicite pour lire un relevé de compte
- Stocker ces données chiffrées, jamais en clair
- Les supprimer après la signature du bail (conservation justifiée : 1 an max)
- Publier une politique de confidentialité claire
Un modèle IA ne peut jamais utiliser des données collectées sans consentement. Jimmi demande au candidat son accord pour scorer son dossier — c'est la bonne pratique. Refuser de scorer, c'est un droit du candidat.
Décision humaine finale — Jamais une IA ne doit trancher seule. Légalement, l'humain reste responsable. Un score « 25 % = probablement impayés » peut guider à interviewer avant de refuser, mais refuser sur score seul = illégal. Explique toujours ta raison au candidat refusé — la loi l'exige.
Utilisation : valider candidature ou ajuster garantie
Un score IA n'est pas une sélection binaire (accepte/refuse). C'est un levier de décision.
Scénario 1 : Score très haut (> 80) — Le candidat paie probablement. Tu peux accepter à loyer régulier, sans dépôt de garantie surdimensionné. La transaction accélère.
Scénario 2 : Score moyen (50–75) — C'est le gros de la bell curve. Lis plus attentivement : appelle l'employeur, demande des références précédentes, évalue le ratio loyer-revenu à la main. Le score dit « à monitorer », pas « accepte » ni « refuse ».
Scénario 3 : Score bas (< 50) — Haut risque statistique. Trois options :
- Refuser (plus simple, moins de risque).
- Demander un garant solide (parent, agence de cautionnement comme Garantme).
- Ajuster le loyer à la baisse (si le candidat « vaut » 600 € net, offre 450 €, la différence finance le risque).
- Exiger une caution plus élevée (1.5× au lieu de 1× le loyer mensuel).
Pour une agence : le scoring accélère le filtrage. Au lieu de lire 200 dossiers, tu en lis 20 (les bons scores), appelles 5 employeurs, acceptes 2. Temps gagné = 80 %.
Pour un propriétaire particulier via Jimmi : on fait la même chose en automatisé, mais tu gardes le choix. Jimmi te dit « ce candidat : 82 % sûr », toi tu décides.
Récours : que faire en cas d'impayé prédit
Même un bon score ne garantit pas zéro impayé. La vie arrive. Que faire ?
D'abord, communiquer — Un appel au candidat dans les trois jours après le loyer non perçu. Souvent, c'est un oubli, une erreur bancaire, ou un délai de virement. 40 % des impayés se règlent en une relance cordiale.
Mise en demeure — Si le paiement n'est pas effectué dans les 8 jours, envoyer une mise en demeure recommandée (modèle gratuit chez Jimmi ou sur service-public.fr). C'est rapide, coûte peu, et c'est une preuve écrite.
Procédure judiciaire — Au-delà de 15 jours, saisir le tribunal d'instance (ou tribunal judiciaire selon le département). Jimmi ou une agence peut t'aider à monter le dossier. Le jugement prend 2–6 mois.
Recouvrement amiable — Passer par une société de recouvrement (15–20 % de commission). Elle fait le travail de poursuivant : appels, courriers, négociation.
Saisie-vente — C'est l'ultime recours. Après jugement, faire saisir les biens du locataire. Rare, très long, coûteux.
Prévention = meilleure récourse — Le scoring IA réduit les impayés de 30–50 % (chiffre industrie). C'est moins de litiges, moins de coûts juridiques. Mieux vaut un bon choix en amont qu'une bataille six mois après.
Questions fréquentes sur le scoring de risque
Le scoring IA prédit-il vraiment les impayés ?
Oui, à environ 80 % : le modèle combine stabilité d'emploi, ratio dépenses-revenus, et historique bancaire. Aucun modèle n'est parfait — la vraie vie réserve des surprises (licenciement, maladie). Mais un bon score réduit le risque statistiquement. C'est un signal fort, pas une boule de cristal.
Peut-on refuser un candidat sur score seul ?
Non, c'est discriminatoire légalement. Le score guide, n'élimine pas le jugement humain. Un refus doit toujours s'expliquer : « Votre ratio loyer-revenu est au-delà de nos critères » ou « Nous avons reçu un signalement d'incident de paiement. » Jamais « Votre score IA a dit non ». Le candidat a le droit d'appel.
Qui accède aux données bancaires et comment ?
Jimmi demande l'accès via open banking (norme PSD2 européenne) : le candidat clique « connecter mon compte », et la banque transmet les trois derniers mois de relevé à Jimmi chiffrés. Jimmi n'a jamais le mot de passe, ni ne stocke les données au-delà de la signature. C'est sûr et légal.
Un freelance ou auto-entrepreneur peut-il avoir un bon score ?
Oui, si les données sont là. Les revenus irréguliers, c'est normal pour ce secteur — le modèle tient compte. Un auto-entrepreneur avec une trésorerie stable depuis 3 ans et zéro incident paie souvent mieux qu'un salarié fraîchement embauché. Le score capture ça.
Quelles données mon score utilise-t-il vraiment ?
Chez Jimmi : stabilité d'emploi, ratio loyer-revenu, historique de paiement (si accès au relevé), antécédents de défaut public. Jamais : nationalité, religion, ou hypothèses sur le genre, la famille, ou l'origine. Zéro biais intentionnel — on audite régulièrement pour le vérifier.
Cet article est informatif et ne constitue pas un conseil juridique. Pour les situations spécifiques, consulter un professionnel du droit ou votre agence locative.
