Le scoring locataire par intelligence artificielle suscite beaucoup d’attentes — et pas mal de flou. On entend « IA » et on imagine une boîte noire qui décide de tout. La réalité est plus nuancée, plus intéressante, et beaucoup plus utile pour une agence qui veut comprendre ce qu’elle achète.

Cet article explique concrètement comment l’IA analyse un dossier locataire : quelles données elle lit, quel type de modèle est impliqué, comment le score est calculé, et ce que la réglementation européenne impose en matière de transparence. Sans jargon inutile, avec des exemples tirés de notre production.

Ce que le scoring classique fait — et ne fait pas

Avant d’expliquer l’IA, il faut être honnête sur ce que fait le scoring « classique » des plateformes.

La grande majorité des outils de gestion locative calculent un score de solvabilité à partir de deux ou trois variables :

Le ratio revenus / loyer (règle des 3×)
Le type de contrat (CDI > CDD > intérim > indépendant)
La présence d’un garant

C’est une règle métier, pas de l’intelligence artificielle. Le score est déterministe : si revenus ≥ 3× loyer ET CDI confirmé, score = vert. Sinon, orange ou rouge. Aucun modèle n’est entraîné, aucune donnée n’est apprise — la règle a été écrite à la main par un développeur il y a des années.

Ce scoring a un mérite : il est simple, transparent et cohérent. Son défaut : il écrase tous les dossiers qui ne rentrent pas dans la case (freelances, alternants, couples mixtes, profils avec garant Visale) et ne détecte pas les signaux faibles dans les documents.

Ce que l’IA ajoute : la lecture des documents bruts

La première rupture de l’IA dans le scoring locataire, ce n’est pas un meilleur algorithme de décision — c’est la capacité à lire des documents non structurés.

Un scoring classique fonctionne sur des données saisies par le candidat dans un formulaire. L’IA, elle, lit directement les PDF :

Elle extrait le revenu net mensuel du bulletin de salaire, même si le format du cabinet de paie change entre deux employeurs
Elle identifie la date de début du contrat et déduit l’ancienneté réelle — pas celle déclarée
Elle détecte une période d’essai en cours (mention explicite ou implicite dans les conditions d’embauche)
Elle croise l’avis d’imposition avec les bulletins pour vérifier la cohérence des revenus déclarés
Elle repère les incohérences : un salaire déclaré à 3 200 € mais des bulletins à 2 800 €, une adresse de l’employeur qui ne correspond pas à l’attestation

Ce travail d’extraction prend 20 à 40 secondes par dossier, contre 10 à 15 minutes pour un gestionnaire qui ouvre les mêmes pièces manuellement.

Comment le modèle décide : raisonnement vs règle

Un modèle de langage (LLM) ne calcule pas un score comme une règle métier. Il raisonne — c’est-à-dire qu’il met en relation des informations, détecte des patterns et produit un jugement argumenté.

Concrètement, dans notre pipeline Homies, l’agent reçoit un ensemble de données extraites du dossier et produit trois outputs :

Un score numérique (0 à 100) pour le tri et le classement
Un niveau de confiance (élevé / moyen / bas) selon la complétude et la cohérence des pièces
Un paragraphe d’explication rédigé dans la langue du gestionnaire, avec les points de force et les points d’attention

Ce dernier point est souvent sous-estimé. Le gestionnaire ne reçoit pas un chiffre — il reçoit un briefing. « Dossier solide : CDI ancienneté 4 ans, revenus stables et cohérents sur 3 bulletins, ratio 3,2×. Point d’attention : garant personnes physique sans attestation de ressources complète — à demander. »

Il peut valider ou écarter en 2 minutes sans ouvrir un seul PDF.

L’architecture en deux temps

Le pipeline de scoring IA fonctionne en deux étapes distinctes :

Étape 1 — Extraction structurée : un agent spécialisé lit les pièces, extrait les données clés et les formate dans un objet structuré (JSON). C’est un travail de transformation, pas de décision.

Étape 2 — Raisonnement et scoring : un second agent reçoit cet objet structuré, le contexte du bien (loyer, zone, type) et les critères de l’agence, et produit le score + l’explication.

Cette séparation est importante : elle permet de retracer exactement quelle information a influencé le score — une exigence de l’AI Act pour les systèmes à haut risque (voir plus bas).

Les données réellement utilisées

Voici ce que le modèle analyse sur un dossier standard :

Catégorie	Données extraites
Revenus	Salaire net mensuel (3 derniers mois), revenus complémentaires, cohérence bulletin / avis d’imposition
Stabilité professionnelle	Type de contrat, date de début, ancienneté, période d’essai, secteur employeur
Charges	Charges déclarées, pensions alimentaires, autres engagements si mentionnés
Garant	Type (personne physique, Visale, GLI), revenus du garant si dossier fourni
Historique locatif	Durée de présence précédente, quittances de loyer si fournies
Qualité des pièces	Lisibilité, cohérence, exhaustivité, dates de validité (pièce d’identité, etc.)

Ce que le modèle ne peut pas utiliser — et ne doit pas — : origine, nationalité, état de santé, appartenance syndicale, opinions politiques, données non fournies volontairement par le candidat. Ce n’est pas seulement une règle éthique ; c’est une exigence légale explicite du décret du 5 novembre 2015 sur les pièces justificatives.

Le cas des dossiers atypiques

C’est là que le scoring IA fait la différence sur le scoring statique. Trois exemples concrets tirés de notre production :

Le freelance régulier. Un indépendant facturant 4 200 € nets/mois depuis 3 ans à 5 clients différents. Le scoring statique voit « indépendant » et classe rouge ou orange. L’agent voit la régularité des versements sur l’avis d’imposition, la diversification clients (pas de dépendance à un seul donneur d’ordre), et produit un score élevé avec une note : « Revenus moyens sur 24 mois : 4 050 €. Diversification client forte. Profil équivalent CDI cadre en termes de stabilité. »

L’alternant en grande école. Contrat de 24 mois, rémunération modeste (900 €/mois), mais garant parents + CDI signé post-alternance annexé. Le scoring statique rejette sur le ratio revenus/loyer. L’agent intègre le CDI futur, les ressources du garant, et propose une pré-validation conditionnelle.

Le dossier « parfait » qui cloche. CDI, 3,8× le loyer, pas de garant. Mais les bulletins de salaire présentent une adresse d’employeur différente de l’attestation de travail, et le numéro de sécurité sociale sur les bulletins ne correspond pas à la pièce d’identité. L’agent remonte le dossier au gestionnaire avec un flag rouge : « Incohérence employeur — à vérifier avant entretien. »

AI Act : le scoring locataire est classé haut risque

Depuis le 2 août 2026, le règlement européen sur l’IA (AI Act) est entré en application. Le scoring locataire est explicitement classé dans la catégorie des systèmes à haut risque (Annexe III, section 4 : « systèmes d’IA utilisés pour évaluer la solvabilité des personnes physiques »).

Ce classement impose des obligations concrètes :

Transparence : le candidat doit pouvoir savoir qu’un système d’IA a analysé son dossier et, sur demande, obtenir les raisons d’un rejet
Documentation : le système doit être documenté (données utilisées, logique du modèle, tests de biais)
Contrôle humain : toute décision de rejet doit être validée par un humain — un agent seul ne peut pas rejeter
Registre des biais : le système doit être testé régulièrement pour détecter des discriminations indirectes

L’obligation de mise en conformité totale pour les systèmes haut risque est repoussée à août 2027 — mais la transparence est déjà exigible. Une agence qui déploie un scoring IA en 2026 doit être capable d’expliquer à un candidat comment son dossier a été évalué.

C’est pour ça que le paragraphe d’explication n’est pas un bonus dans notre système — c’est une exigence réglementaire. La trace écrite du raisonnement de l’agent est la documentation de conformité de la décision.

Pour le guide complet sur la conformité AI Act en gestion locative, voir notre article dédié : AI Act et agences immobilières — ce qui change en 2026.

Ce qu’un bon système de scoring IA doit savoir faire

Avant de choisir ou de déployer un outil, voici ce qu’on peut légitimement exiger d’un système de scoring locataire par IA :

1. Lire les pièces brutes. Un outil qui demande de saisir les données manuellement dans un formulaire n’est pas un outil IA — c’est un formulaire avec un algorithme de décision. L’IA lit les PDF directement.

2. Produire un score argumenté. Un chiffre seul ne vaut rien. Le gestionnaire doit comprendre pourquoi le score est de 74 plutôt que de 85. Sans explication, il ne peut ni valider ni contester.

3. Signaler les incohérences. Un bon système n’approuve pas les dossiers — il remonte les flags. L’agent qui ne détecte pas une incohérence est plus dangereux qu’un gestionnaire distrait.

4. Être traçable. Chaque décision doit être liée aux documents qui l’ont alimentée. Pour la conformité AI Act, mais aussi pour répondre à un candidat qui conteste.

5. Rendre la main sur les cas complexes. Dossiers multigarants, montages financiers inhabituels, résidents étrangers avec revenus à l’international — l’agent doit savoir quand il dépasse ses prérogatives et transférer au gestionnaire.

Ce que ça change dans le quotidien du gestionnaire

Le scoring IA ne remplace pas le gestionnaire. Il change radicalement ce sur quoi le gestionnaire dépense son énergie.

Avant l’IA : ouvrir 80 dossiers, en lire 40, en filtrer 30 manuellement, appeler les candidats sans vraiment savoir dans quel ordre, passer 3 heures sur un bien à forte demande.

Avec l’IA : recevoir un classement de 80 dossiers scorés, lire les briefings des 10 meilleurs (2 min chacun), valider ou affiner le top 5, appeler dans l’ordre décroissant de score. Temps total : 30 à 45 minutes.

Ce temps libéré ne part pas en réunion — il va sur la relation client, la prospection de nouveaux mandats, et les décisions à valeur ajoutée que l’agent ne peut pas prendre à sa place.

Ce qu’on fait chez Homies

Notre pipeline de scoring couvre les deux premières étapes : extraction des données depuis les pièces brutes, puis scoring argumenté selon les critères de l’agence. On calibre le système sur le parc réel de chaque client — les critères d’une agence spécialisée dans les étudiants lyonnais ne sont pas ceux d’une agence de biens premium parisiens.

Le gestionnaire garde la main sur toutes les décisions. L’agent prépare, classe, explique — l’humain valide et signe.

Si vous voulez voir le pipeline sur vos propres dossiers, on fait des démos sur des cas réels, pas sur des maquettes. Demander une démo →

Cet article est un guide technique et ne constitue pas un conseil juridique. Pour la conformité AI Act dans votre agence, consultez un juriste spécialisé en droit du numérique ou rapprochez-vous de votre chambre professionnelle.

Scoring locataire intelligence artificielle : comment ça marche vraiment