Prédire les faillites avec l'IA : ce que six mois de données nous apprennent vraiment
Une projection réalisée fin 2025 anticipait pour 2026 un maintien des faillites à un niveau particulièrement élevé en France et en Belgique. Les données du premier semestre semblent lui donner raison.
L’intelligence artificielle prédictive souffre d’un problème de crédibilité.
Lorsqu’une prévision se révèle fausse, on conclut rapidement que le modèle ne fonctionne pas. Lorsqu’elle semble juste, on est tout aussi tenté de présenter le résultat comme une démonstration spectaculaire de supériorité technologique.
Ces deux réactions sont excessives.
Une prévision économique n’est ni une prophétie ni un simple chiffre à comparer mécaniquement avec une valeur finale. Elle constitue une estimation probabiliste formulée à partir de données disponibles à un instant donné, dans un environnement qui peut ensuite évoluer.
Le retour d’expérience présenté ici porte sur une projection réalisée en novembre 2025 concernant les procédures collectives en France et les faillites en Belgique pour l’année 2026.
Six mois de données permettent désormais d’en effectuer une première évaluation.
Une prévision plus pessimiste que le scénario de référence
À la fin de l’année 2025, plusieurs scénarios envisageaient une stabilisation, voire une décrue progressive des défaillances d’entreprises en 2026.
Une projection issue d’un modèle d’intelligence artificielle appliqué à des données économiques et commerciales retenait une hypothèse plus défavorable :
- 69 200 procédures collectives en France ;
- 12 300 faillites en Belgique.
À titre de comparaison, une prévision publiée à la même période par Allianz Research avançait environ 65 500 défaillances en France et 10 950 en Belgique.
L’écart ne portait donc pas uniquement sur quelques centaines de dossiers. Il exprimait deux lectures différentes de la conjoncture.
La première envisageait le début d’une normalisation. La seconde estimait que les tensions financières, commerciales et sectorielles continueraient de produire leurs effets pendant une grande partie 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, en incluant les sauvegardes, les redressements et les liquidations judiciaires.
Ce résultat représente une hausse de 4,1 % par rapport à la même période de 2025. Il demeure également très supérieur au niveau constaté avant la crise sanitaire.
Les professionnels du secteur évoquent désormais un total annuel susceptible d’approcher les 70 000 procédures.
À ce stade, la projection initiale de 69 200 apparaît donc cohérente avec l’ordre de grandeur actuellement envisagé.
Une annualisation purement linéaire du premier semestre donnerait :
36 636 × 2 = 73 272 procédures.
Ce calcul ne constitue cependant pas une prévision fiable à lui seul. 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.
La direction
Le modèle a-t-il correctement anticipé une hausse, une baisse ou une stabilisation ?
Dans le cas étudié, le scénario retenait la persistance d’un niveau très élevé, plutôt qu’une décrue rapide.
L’intensité
Le modèle a-t-il correctement apprécié l’ampleur du phénomène ?
Prévoir une légère tension et constater un record historique constitue une erreur importante, même si la direction générale était correcte.
L’ordre de grandeur
La projection se situe-t-elle dans une zone cohérente avec les données observées ?
À mi-2026, c’est le cas pour les deux pays étudiés.
La cartographie sectorielle
Le modèle a-t-il identifié les secteurs dans lesquels le risque devait se concentrer ?
La construction, le transport, la logistique, le commerce, l’HORECA et les services aux entreprises avaient été signalés comme particulièrement exposés. Les données belges du premier semestre confirment une pression importante sur plusieurs de ces activités.
L’utilité décisionnelle
La prévision a-t-elle été produite suffisamment tôt pour permettre une action ?
C’est probablement le critère le plus important. Une analyse parfaitement exacte publiée après les faits n’a presque aucune valeur de pilotage.
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 :
- datée ;
- archivée ;
- 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 ;
- limiter une dépendance excessive envers quelques clients ;
- adapter les délais et les conditions de paiement ;
- accélérer les relances ;
- demander un acompte dans certaines situations ;
- diversifier les secteurs prospectés ;
- renforcer la prospection avant une baisse attendue du chiffre d’affaires ;
- construire plusieurs scénarios de trésorerie.
Une probabilité ne doit jamais devenir un verdict automatique.
Un client classé comme risqué ne doit pas être sanctionné sans examen humain. Une projection sectorielle ne justifie pas l’arrêt mécanique de toute activité commerciale dans ce secteur. Un score ne remplace ni le contexte, ni la relation, ni la responsabilité du décideur.
L’intelligence artificielle peut préparer une décision. Elle ne doit pas devenir l’alibi d’une décision que personne ne souhaite assumer.
Ce que ce retour d’expérience permet de conclure — et ce qu’il ne permet pas
À la date du 15 juillet 2026, trois conclusions intermédiaires peuvent être formulées.
Premièrement, le scénario d’un maintien des faillites à un niveau très élevé apparaît plus cohérent avec les données disponibles que celui d’une décrue rapide.
Deuxièmement, les projections de 69 200 procédures en France et de 12 300 faillites en Belgique se situent dans un ordre de grandeur proche des trajectoires actuellement observées.
Troisièmement, l’analyse de signaux commerciaux faibles semble constituer un complément utile aux indicateurs macroéconomiques traditionnels.
En revanche, ces résultats ne permettent pas encore d’affirmer que la prévision annuelle est définitivement exacte.
Ils ne démontrent pas non plus qu’un modèle similaire conserverait la même précision sur d’autres périodes, d’autres pays ou d’autres catégories d’événements. Une véritable validation supposerait une observation répétée, des comparaisons avec plusieurs modèles de référence et une mesure documentée des erreurs sur une série suffisamment longue.
Le test le plus important aura donc lieu à la clôture de l’année 2026.
Il faudra alors comparer les résultats définitifs aux différentes projections initiales, mesurer les écarts et analyser les causes des divergences.
C’est à cette condition que l’IA prédictive pourra sortir du registre de la démonstration ponctuelle pour entrer dans celui d’une méthode réellement évaluable.
L’étude détaillée, les chiffres intermédiaires et les sources utilisées pour cette confrontation sont accessibles dans la publication consacrée aux prévisions de faillites pour 2026.