L'intelligence artificielle transforme profondément le secteur bancaire, où les algorithmes déterminent désormais l'accès au crédit sans intervention humaine. Bien que présentés comme neutres et objectifs, ces systèmes perpétuent souvent les inégalités existantes lorsqu'ils sont entraînés sur des données qui ne reflètent pas la réalité financière des femmes. Un manque de transparence et une vision aveugle des écarts de genre dans les données d'entrée conduisent à des décisions discriminatoires, telles que des montants de prêt plus faibles pour les femmes, comme l'a illustré un cas récent au Kenya. L'agence européenne des droits fondamentaux a récemment souligné un écart majeur entre l'ambition législative, notamment avec l'actue sur l'IA de l'UE, et la pratique réelle. Les fournisseurs et les déploiants de systèmes d'IA à haut risque manquent souvent des outils et de l'expertise nécessaires pour évaluer systématiquement les risques de discrimination. Sans données désagrégées par sexe, les biais structurels deviennent invisibles pour les systèmes automatisés, qui ne peuvent ni détecter ni corriger les inégalités qu'ils reproduisent à grande échelle. La solution réside dans l'utilisation systématique de données ventilées par sexe. La simple collecte de l'information sur le genre dans les bases de données ne suffit pas si ces données ne sont pas analysées, rapportées ou surveillées par les régulateurs. De nombreuses institutions financières et pays à revenu élevé négligent cet aspect, traitant le genre comme une variable administrative figée plutôt que comme un outil d'analyse. En revanche, certains pays en développement offrent un modèle prometteur. Au Chili et au Mexique, les régulateurs exigent depuis des années des rapports financiers désagrégés par sexe. Cette visibilité a permis d'identifier des écarts concrets, tels que des prêts plus faibles mais moins risqués pour les femmes au Mexique, ou des disparités dans l'épargne et l'assurance au Chili. Ces données ont directement influencé les règles de provisionnement pour pertes et les politiques publiques. À l'inverse, dans de nombreuses économies européennes, les données restent volontaires ou fragmentées, témoignant d'une hésitation institutionnelle plutôt que d'une incapacité technique. Alors que l'Union européenne mise sur une régulation stricte de l'IA, l'absence de données systématiques sur le genre rend le suivi de l'équité quasi impossible. La visibilité des femmes dans les données n'est pas une question symbolique mais une condition indispensable pour une finance juste. Sans elle, l'objectivité promise par l'intelligence artificielle demeure une affirmation vide de sens. L'avenir de la finance inclusive dépendra de la capacité des acteurs à transformer la disponibilité des données en action concrète pour corriger les biais historiques et garantir un accès équitable aux services financiers pour tous.