Une ancienne investisseuse en dette en difficulté soumet le cas iHeartMedia à deux modèles de pointe : leurs pronostics divergent, jusqu'à ce qu'un raisonnement découpé en couches vérifiées les fasse converger.
Harneet Kaur, fondatrice et PDG d'Axim Intelligence, a longtemps investi dans la dette d'entreprises en difficulté. Dans cette intervention diffusée par AI Engineer, elle teste la capacité des modèles de pointe à raisonner sur un dossier réel et en cours : celui d'iHeartMedia. Avec exactement le même contexte, deux modèles de premier plan livrent des estimations très éloignées sur la probabilité d'une faillite face à une restructuration négociée.
Extraction, dérivation, jugement, prédiction
Après avoir expliqué ce que recouvre le crédit en difficulté et pourquoi les modèles de notation traditionnels montrent leurs limites, elle décompose l'analyse en quatre couches contrôlées une à une, chacune évaluée séparément. Ainsi structurés, les deux modèles finissent par aboutir à la même conclusion. Reste la question qu'elle pose en guise de conclusion : un accord entre modèles signifie-t-il pour autant qu'ils ont raison ?
Watch this video directly on YouTube
Open on YouTube →