L'IA et les faillites : six mois de données alarmantes

L'IA et les faillites : six mois de données révèlent des tendances alarmantes

À la fin de l'année 2025, une projection anticipait que le nombre de faillites resterait élevé en 2026 en France et en Belgique. Les données du premier semestre de cette année semblent confirmer cette prévision.

L'intelligence artificielle utilisée pour prédire ces faillites fait face à un problème de crédibilité. Les prévisions économiques ne sont pas des prophéties, mais des estimations probabilistes basées sur les données disponibles à un moment donné. Elles doivent être interprétées avec prudence, car l'environnement économique peut évoluer de manière imprévisible.

Cette analyse se base sur une projection réalisée en novembre 2025 concernant les procédures collectives en France et les faillites en Belgique pour l'année 2026. Les données collectées au cours des six premiers mois de l'année permettent désormais d'évaluer la précision de ces prévisions.

Une prévision plus pessimiste que les scénarios de référence

À la fin de 2025, plusieurs scénarios envisageaient une stabilisation des défaillances d'entreprises en 2026. Cependant, un modèle d'intelligence artificielle appliqué aux données économiques et commerciales proposait une hypothèse plus pessimiste :

• 69 200 procédures collectives en France ;
• 12 300 faillites en Belgique.

En comparaison, une prévision d'Allianz Research publiée à la même période avançait environ 65 500 défaillances en France et 10 950 en Belgique. Ces différences ne se limitaient pas à quelques centaines de cas, mais reflétaient des interprétations divergentes de la conjoncture économique. La première projection envisageait une normalisation, tandis que la seconde prévoyait que les tensions financières et commerciales continueraient d'affecter les entreprises tout au long de l'année 2026. Les données du premier semestre permettent aujourd'hui de confronter ces scénarios à la réalité observée.

France : un niveau qui ne montre pas encore de véritable décrue

Entre janvier et juin 2026, la France a enregistré 36 636 procédures collectives, incluant sauvegardes, redressements et liquidations judiciaires. Ce chiffre représente une augmentation de 4,1 % par rapport à la même période de 2025 et reste bien supérieur aux niveaux observés avant la crise sanitaire.

Les experts du secteur estiment désormais que le total annuel pourrait approcher les 70 000 procédures, ce qui rend la projection initiale de 69 200 cohérente avec les estimations actuelles. Une simple extrapolation linéaire du premier semestre donnerait :

• 36 636 × 2 = 73 272 procédures.

Cependant, ce calcul ne constitue pas une prévision fiable en soi. Les procédures collectives ne se répartissent pas uniformément au cours de l'année. La saisonnalité, les congés judiciaires, les conditions de financement ou une évolution de la conjoncture peuvent modifier le rythme du second semestre.

L'enseignement pertinent n'est donc pas que le modèle aurait trouvé à l'avance un chiffre exact. Il est qu'il avait correctement identifié trois éléments :

• l'absence probable de normalisation rapide ;
• le maintien d'un plateau historiquement élevé ;
• un résultat annuel susceptible de se situer autour ou au-dessus de 69 000 procédures.

Belgique : une trajectoire semestrielle proche de la projection annuelle

La Belgique a enregistré 6 267 faillites au premier semestre 2026, soit le niveau le plus élevé observé dans le pays pour les six premiers mois d'une année. Une simple annualisation conduit à :

• 6 267 × 2 = 12 534 faillites.

La projection établie fin 2025 était de 12 300 faillites. L'écart entre celle-ci et la trajectoire semestrielle annualisée est donc de 234 dossiers, soit environ 1,9 %.

Là encore, cette comparaison doit être interprétée avec précaution. Le chiffre de 12 534 n'est pas le résultat définitif de 2026. Il s'agit seulement d'une extrapolation du rythme observé pendant six mois. Le second semestre pourrait accélérer, ralentir ou être affecté par des événements impossibles à prévoir à la date de formulation du scénario.

Il serait donc prématuré de parler de validation définitive. En revanche, il est raisonnable de constater que la projection initiale se situe, à mi-parcours, dans un ordre de grandeur très proche de la trajectoire constatée.

La bonne prévision n’est pas nécessairement celle qui donne le chiffre exact

L'évaluation d'une prévision économique ne devrait pas reposer uniquement sur la distance entre le chiffre annoncé et le chiffre finalement observé. Cette méthode peut être trompeuse.

Un modèle peut tomber très près du résultat final pour de mauvaises raisons. À l'inverse, une prévision méthodologiquement solide peut être rendue inexacte par un événement exogène : conflit géopolitique, modification fiscale, baisse rapide des taux, plan public de soutien ou rupture importante dans l'accès au crédit.

Il faut donc évaluer une projection selon plusieurs dimensions :

• Le modèle a-t-il correctement anticipé une hausse, une baisse ou une stabilisation ?
• Le modèle a-t-il correctement apprécié l'ampleur du phénomène ?
• La projection se situe-t-elle dans une zone cohérente avec les données observées ?
• Le modèle a-t-il identifié les secteurs dans lesquels le risque devait se concentrer ?
• La prévision a-t-elle été produite suffisamment tôt pour permettre une action ?

Pourquoi les données commerciales peuvent précéder les statistiques officielles

Les modèles macroéconomiques classiques s'appuient sur des indicateurs indispensables : croissance, inflation, emploi, taux d'intérêt, accès au crédit, échanges internationaux et historique des défaillances. Ces données offrent une vision structurée de l'économie. Elles présentent néanmoins une limite : elles décrivent souvent un phénomène après son apparition ou avec un certain délai.

Les données issues de l'activité quotidienne des entreprises peuvent révéler plus tôt certains changements de comportement :

• les délais de décision s'allongent ;
• la fréquence des commandes diminue ;
• le panier moyen se contracte ;
• les demandes de report augmentent ;
• les retards de paiement deviennent plus fréquents ;
• certains interlocuteurs répondent moins ;
• les incidents et les relances s'accumulent ;
• l'activité commerciale ralentit progressivement.

Aucun de ces signaux ne suffit, isolément, à prévoir la défaillance d'une entreprise. Un retard de paiement peut résulter d'une erreur administrative. Une baisse de commande peut être saisonnière. Le silence d'un interlocuteur peut s'expliquer par une réorganisation interne.

L'intérêt de l'analyse algorithmique réside dans le croisement de ces événements, leur répétition, leur chronologie et leur comparaison avec des situations antérieures. Le modèle ne cherche alors plus un signal magique. Il recherche une configuration de signaux dont la combinaison augmente la probabilité d'un scénario.

Corrélation ne signifie pas causalité

La proximité actuelle entre la projection et les données du premier semestre ne suffit pas à prouver que le modèle a compris les causes profondes des faillites. Il faut distinguer trois notions :

• La corrélation indique que certains signaux évoluent ensemble.
• La prédiction estime qu'une configuration donnée augmente la probabilité d'un événement futur.
• La causalité démontre qu'un facteur produit effectivement un autre phénomène.

Une intelligence artificielle prédictive peut être performante sans établir une causalité économique complète. Elle peut reconnaître des configurations récurrentes, détecter des ruptures et estimer des probabilités sans être en mesure d'expliquer toutes les relations structurelles entre les variables. Ce n'est pas nécessairement un défaut, à condition de ne pas lui attribuer une capacité explicative qu'elle ne possède pas.

Le rôle du modèle est d'alerter et de hiérarchiser les risques. Le rôle de l'analyste ou du dirigeant reste d'interpréter, de contextualiser et de décider.

Le risque du biais rétrospectif

Toute étude publiée après l'apparition des premiers résultats doit également se méfier du biais rétrospectif. Une fois les chiffres connus, il devient facile de présenter comme évident ce qui ne l'était pas quelques mois auparavant.

Pour éviter ce biais, une prévision doit être :

• formulée avant l'événement ;
• suffisamment précise pour pouvoir être réfutée ;
• accompagnée de sa méthode et de ses limites ;
• confrontée ensuite aux données effectivement observées.

Une projection vague comme "les faillites pourraient rester élevées" est presque impossible à invalider. Une projection chiffrée, géographique et temporelle expose davantage son auteur à l'erreur. Elle présente donc une valeur scientifique supérieure, à condition que le chiffre initial n'ait pas été modifié après coup.

Une prévision n’est utile que si elle change une décision

La finalité d'un modèle prédictif n'est pas de gagner un concours de précision. Pour une entreprise, anticiper une hausse des défaillances peut conduire à :

• surveiller davantage les comptes présentant une fragilité ;
• ajuster les stratégies de crédit ;
• renforcer les mesures de soutien aux clients en difficulté.