IBISWorld et Lama AI apportent l’intelligence sectorielle au crédit commercial

IBISWorld et Lama AI ont annoncé un partenariat le 3 août, intégrant l’intelligence sectorielle aux prêts commerciaux automatisés après que l’accord a fait son apparition sur Google News.

Cette combinaison cible un problème persistant pour les prêteurs aux entreprises. Les documents de l’emprunteur décrivent une entreprise, tandis que les équipes de crédit doivent également évaluer son secteur, son exposition régionale, sa structure de coûts et ses perspectives économiques.

Lama AI présente déjà son logiciel comme un système d’octroi de prêts natif de l’IA destiné aux prêteurs commerciaux. IBISWorld fournit des études sectorielles, des ratios financiers, des évaluations de risque et des prévisions rédigées par des analystes, utilisées lors des revues de crédit.

Réunir ces capacités paraît simple. La question plus difficile est de savoir si la recherche contextuelle devient une preuve traçable au sein d’un processus de crédit réglementé, ou si elle produit simplement un discours automatisé plus convaincant.

Cette distinction place le partenariat face à son véritable adversaire : la souscription fragmentée, assemblée manuellement. Les banques font souvent circuler les informations entre dossiers d’emprunteurs, feuilles de calcul, portails de recherche et systèmes d’octroi de prêts avant de parvenir à une décision.

L’accord promet de concentrer ce travail dans un seul flux de travail. Son succès dépendra moins de la production de résumés plus rapides que de la préservation des dates des sources, des définitions, des exceptions et de la responsabilité humaine.

Ce que l’annonce sur Google News change réellement

Le partenariat rapproche les études d’IBISWorld du point où les prêteurs élaborent, évaluent et documentent une décision de crédit commercial.

La publication d’actualité d’origine identifie IBISWorld et Lama AI comme partenaires dans le crédit commercial alimenté par l’IA. Toutefois, cette publication fournit peu de détails sur la mise en œuvre.

Ni la publication ni les documents publics examinés pour cette analyse n’établissent quels jeux de données IBISWorld sont inclus. Ils ne précisent pas non plus les dates de déploiement, les banques participantes, les conditions contractuelles ou les résultats mesurés en matière de souscription.

Ces lacunes sont importantes, mais elles ne rendent pas difficile à comprendre l’orientation sous-jacente du produit. IBISWorld propose déjà des interfaces de programmation applicative, ou API, permettant à d’autres systèmes de récupérer ses études de manière programmatique.

Sa documentation API publique indique que les banques commerciales peuvent intégrer des données sectorielles dans des systèmes de risque de crédit et de gestion de la clientèle. Les éléments disponibles comprennent des évaluations de risque, des ratios financiers, des questions de préparation d’appels et des sections de rapports.

Lama AI fournit la couche de flux de travail où ces informations peuvent influencer le travail quotidien de prêt. Sa plateforme couvre la collecte des informations auprès de l’emprunteur, l’évaluation des documents, la génération de mémos, la souscription, les approbations, la clôture et le suivi de portefeuille.

Concrètement, le partenariat peut réduire la distance entre la recherche de preuves sectorielles et leur application à un emprunteur. L’examen d’un demandeur exploitant un restaurant illustre ce potentiel.

Les états financiers de l’emprunteur peuvent faire apparaître les revenus, l’endettement, le loyer, les flux de trésorerie et les marges historiques. L’intelligence sectorielle peut y ajouter la pression sur les coûts de main-d’œuvre, la concentration locale, les marges de référence, les conditions de demande et les performances attendues du secteur.

Ce contexte ne détermine pas si le demandeur mérite un crédit. Il donne au souscripteur un point de référence pour décider si les hypothèses de l’emprunteur paraissent ordinaires, exceptionnelles ou peu plausibles.

IBISWorld explique que les prêteurs utilisent les ratios financiers pour comparer les clients aux moyennes du secteur. Ses conseils pour le crédit commercial soulignent également les données géographiques, les références par segment, les risques externes et les questions de préparation d’appels.

L’intégration de ces éléments peut modifier la manière dont un mémo de crédit est élaboré. Au lieu d’ouvrir un portail de recherche distinct, un utilisateur pourrait recevoir des éléments pertinents à côté des documents de l’emprunteur.

Un agent automatisé pourrait ensuite rédiger une section expliquant comment le demandeur se compare à ses pairs. Un souscripteur humain pourrait vérifier la comparaison, examiner les écarts et conserver les éléments étayant le jugement final.

C’est le changement central derrière le partenariat entre IBISWorld et Lama AI. La recherche sectorielle passe d’une bibliothèque de référence à une donnée opérationnelle dans le crédit commercial reposant sur l’IA.

Pour autant, l’annonce ne prouve pas que chaque résultat sera exact ou systématiquement utile. Elle établit une orientation de distribution et d’intégration, non une performance de crédit validée.

La question suivante n’est donc pas de savoir si les prêteurs veulent davantage de contexte. Elle est de comprendre pourquoi les banques ressentent désormais suffisamment de pression pour intégrer ce contexte aux flux de travail automatisés.

Les flux de travail de crédit lents sont la véritable cible

IBISWorld et Lama AI s’attaquent au coût de coordination qui entoure la souscription, plutôt qu’ils ne remplacent la décision de crédit elle-même.

Le crédit commercial collecte des informations issues de déclarations fiscales, d’états financiers, de registres de propriété, de dossiers de garanties, de correspondances et de bases de données tierces. Les emprunteurs complexes peuvent également impliquer des garants, des entités affiliées, des clauses contractuelles et plusieurs lignes de crédit.

Chaque source supplémentaire crée un travail de rapprochement. Les chiffres peuvent couvrir des périodes différentes, employer des libellés incohérents ou contredire les déclarations de l’emprunteur.

Les systèmes traditionnels d’octroi de prêts aident à acheminer les demandes et à enregistrer les approbations. Ils n’interprètent pas toujours les documents non structurés ni ne relient les résultats d’une entreprise à l’évolution des conditions sectorielles.

Lama AI indique que sa plateforme de prêt utilise des agents spécialisés pour la collecte initiale, l’examen des documents, la génération de mémos de crédit, la structuration des prêts et le suivi. Un agent IA est un logiciel qui exécute une séquence délimitée de tâches avec une supervision limitée.

L’entreprise indique également que son système peut convertir des données d’emprunteurs variées en demandes structurées. Ces affirmations décrivent le flux de travail envisagé et n’ont pas été validées de manière indépendante dans tous les environnements de prêt.

IBISWorld apporte un actif différent. Ses rapports organisent les informations sectorielles externes en catégories familières aux analystes crédit, notamment la performance, les risques, les structures de coûts, les références et les prévisions.

La combinaison des deux répond à une source précise de retard. Les analystes passent souvent du temps à localiser des éléments externes, à vérifier s’ils correspondent à l’emprunteur et à les traduire dans un langage prêt pour le comité.

Le partenariat peut raccourcir cette boucle de recherche. Il peut également rendre le contexte sectoriel plus cohérent entre responsables de la relation client, analystes, souscripteurs et comités d’approbation.

La cohérence importe car deux analystes peuvent présenter le même emprunteur de manière différente. L’un peut se concentrer sur la récente croissance du chiffre d’affaires, tandis qu’un autre mettra l’accent sur la détérioration des marges du secteur.

Une source de données commune ne peut pas éliminer les différences de jugement. Elle peut révéler quelles hypothèses proviennent de l’emprunteur, lesquelles proviennent d’une référence sectorielle et lesquelles proviennent d’un analyste.

La valeur la plus claire à court terme pourrait apparaître avant la souscription formelle. Les responsables de la relation client peuvent utiliser les conditions sectorielles pour poser des questions plus précises lors des premiers échanges avec l’emprunteur.

Supposons qu’un fabricant prévoie des marges plus élevées malgré l’augmentation des coûts des intrants dans l’ensemble de son secteur. Un flux de travail intégré pourrait signaler ce décalage avant qu’un analyste ne passe des heures à constituer un dossier complet.

Le prêteur pourrait alors interroger l’emprunteur sur les contrats fournisseurs, les changements de prix ou les améliorations opérationnelles. Une réponse solidement étayée renforce la demande, tandis qu’une réponse faible identifie plus tôt le risque.

Ce mécanisme explique pourquoi l’accord intervient maintenant. L’IA générative a facilité la synthèse des documents, mais les résumés seuls ne fournissent pas aux banques un contexte externe fiable.

Les banques ont besoin d’éléments étayés par des sources qui relient les faits extraits sur l’emprunteur à une vision économique plus large. Le partenariat tente de connecter ces deux couches d’information.

La pression concurrentielle pèse le plus lourdement sur les processus internes fragmentés. Elle atteint également les fournisseurs historiques qui considèrent la recherche, l’analyse documentaire et le flux de travail de prêt comme des catégories distinctes.

Les grandes banques peuvent développer des intégrations internes et des couches de gouvernance. Les institutions communautaires et régionales disposent de moins de ressources d’ingénierie, ce qui rend les connexions prêtes à l’emploi plus attrayantes.

Toutefois, les petites institutions ne peuvent pas accepter des contrôles plus faibles. Un flux de travail plus rapide exige toujours une validation, des autorisations, des pistes d’audit, une gestion des exceptions et une responsabilité humaine clairement établie.

Cette exigence crée la principale tension du partenariat. L’automatisation peut réduire le temps de recherche, mais une intégration plus poussée augmente également les conséquences d’informations obsolètes ou mal appliquées.

Le mécanisme dépend des preuves, pas de mémos plus convaincants

Le partenariat ne devient utile que lorsque chaque conclusion automatisée reste reliée au dossier de l’emprunteur et aux preuves sectorielles sous-jacentes.

Un mémo de crédit commercial n’est pas un simple résumé. Il consigne un raisonnement sur la capacité de remboursement, les garanties, la direction, les conditions de marché, l’exposition au risque de baisse et la conformité aux politiques.

Les systèmes génératifs peuvent transformer des documents sources en texte soigné. Ce texte devient dangereux lorsque les lecteurs confondent fluidité et fiabilité factuelle.

Le mécanisme le plus sûr commence par la récupération d’informations. Le logiciel identifie le secteur, la zone géographique, la taille, le modèle d’exploitation et le produit de crédit demandé par l’emprunteur.

Il récupère ensuite des éléments IBISWorld pertinents au moyen d’une intégration contrôlée. Les champs utiles peuvent inclure des références datées, des scores de risque, des prévisions sectorielles ou des catégories de coûts.

Le système doit préserver l’identité et la date de chaque élément récupéré. Il doit également conserver les informations sur l’emprunteur utilisées pour sélectionner ces éléments.

Vient ensuite la comparaison. Un modèle peut placer les indicateurs de l’emprunteur à côté des références sectorielles, mais il doit éviter de laisser entendre que chaque écart signale une faiblesse.

Un ratio de stocks élevé peut refléter une demande insuffisante. Il peut aussi refléter des achats saisonniers, une protection contre les difficultés d’approvisionnement ou un plan de croissance délibéré.

Le flux de travail devrait présenter l’écart et inviter à une enquête. Il ne devrait pas convertir silencieusement une différence statistique en conclusion de crédit défavorable.

C’est là que le jugement humain reste essentiel. Les analystes comprennent les exceptions, interrogent la direction et décident si les éléments disponibles étayent l’explication de l’emprunteur.

Le mémo final devrait distinguer trois couches. Il s’agit des faits vérifiés concernant l’emprunteur, du contexte sectoriel fourni par des tiers et de l’interprétation du prêteur.

Mélanger ces couches rend l’examen difficile. Une séparation claire permet à un comité de contester une hypothèse sans remettre en cause l’ensemble du document.

La classification sectorielle constitue un autre test important. Les entreprises exercent souvent plusieurs activités, tandis qu’une classification unique peut masquer leur véritable répartition des revenus.

Une entreprise de logistique peut posséder des entrepôts, fournir des services de transport et vendre des logiciels. Ne sélectionner qu’une seule référence pourrait produire des comparaisons trompeuses.

Le système a besoin d’un moyen de représenter les opérations mixtes et les classifications incertaines. Il devrait afficher des niveaux de confiance et permettre aux analystes de remplacer les sélections automatisées.

Les prévisions exigent une prudence similaire. Une projection sectorielle représente un jugement de recherche fondé sur des hypothèses établies, et non un résultat futur garanti pour un emprunteur donné.

Les logiciels de crédit commercial reposant sur l’IA devraient étiqueter les prévisions en conséquence. Ils ne devraient pas transformer l’évolution attendue d’un secteur en certitude concernant les revenus d’un demandeur.

La fraîcheur des données compte également. Les équipes crédit doivent savoir si un benchmark reflète la période de reporting la plus récente disponible et si les conditions ont évolué par la suite.

IBISWorld indique que ses propres fonctionnalités de recherche par IA utilisent des informations rédigées par des analystes plutôt qu’une analyse autonome. Ses documents publics distinguent la récupération de contenu des analystes chargés d’interpréter les données et d’élaborer des prévisions.

Cette séparation offre un principe de conception utile pour l’intégration de Lama. L’IA peut localiser, comparer et rédiger, tandis que des personnes responsables conservent la maîtrise de l’interprétation.

Un workflow bien conçu devrait donc répondre immédiatement à plusieurs questions de vérification. D’où vient cette affirmation, quand a-t-elle été mise à jour et quel fait concernant l’emprunteur l’a déclenchée ?

Il devrait également identifier les modifications apportées par un analyste. Sans cet historique, une organisation ne peut pas reconstituer de manière fiable l’effet de l’automatisation sur la note approuvée.

Le mécanisme est moins spectaculaire qu’un chargé de crédit entièrement autonome. Il est aussi plus compatible avec la manière dont les institutions réglementées gèrent les décisions importantes.

L’attention de Google News peut amplifier la promesse des prêts alimentés par l’IA. L’avantage produit durable viendra de la gestion des preuves, et non de la visibilité des titres.

Une souscription plus rapide comporte toujours des risques liés aux modèles et à l’équité en matière de crédit

La même intégration qui améliore le contexte peut diffuser des erreurs de classification, des hypothèses obsolètes ou des raisonnements biaisés dans de nombreux dossiers de crédit.

Le risque le plus immédiat est une dépendance excessive. Un analyste confronté à une note complète et convaincante peut consacrer moins de temps à remettre en question les éléments récupérés.

Le biais d’automatisation survient lorsque les utilisateurs accordent un poids excessif à la recommandation d’un système. Cet effet se renforce lorsque les résultats sont détaillés, bien mis en forme et fournis dans un logiciel familier.

Un deuxième risque vient du raisonnement par variables proxy. Les variables sectorielles et géographiques peuvent constituer des données de crédit légitimes, mais leur utilisation exige un examen attentif des politiques internes et du cadre juridique.

De vastes hypothèses sectorielles peuvent pénaliser un emprunteur solide évoluant dans une catégorie fragile. Les schémas géographiques peuvent aussi être corrélés à des caractéristiques protégées ou à des disparités historiques.

L’annonce du partenariat ne montre pas comment les entreprises testent ces résultats. Elle n’établit pas non plus quelles données influencent les recommandations, les approbations, la tarification, le suivi ou uniquement la préparation des notes.

Cette distinction est cruciale. Un outil qui récupère des recherches à l’appui présente un risque différent de celui d’un modèle qui recommande directement une décision de crédit.

Les régulateurs ont averti à plusieurs reprises que la technologie complexe ne supprime pas les responsabilités juridiques d’un prêteur. Les orientations sur les décisions défavorables du CFPB indiquent que les créanciers doivent fournir des motifs exacts et précis pour les décisions défavorables impliquant des algorithmes complexes.

Le crédit commercial peut relever de cadres réglementaires différents selon l’emprunteur et la transaction. Toutefois, la leçon plus large en matière de gouvernance reste pertinente pour l’ensemble des systèmes de décision automatisés.

Une banque doit comprendre les facteurs qui influencent un résultat. Elle ne peut pas invoquer la complexité d’un fournisseur pour justifier des explications qui ne correspondent pas au processus réel.

Le risque de modèle pose un autre défi. L’Office of the Comptroller of the Currency définit le risque de modèle comme la possibilité de conséquences défavorables dues à des résultats incorrects ou mal utilisés.

Ses orientations sur le risque de modèle de 2026 mettent l’accent sur les tests, la validation, la surveillance, la gouvernance et les contrôles. Elles abordent également la supervision des produits tiers.

Fait notable, les orientations révisées indiquent que les modèles d’IA générative et agentique ne relèvent pas de leur champ d’application, car ces technologies restent nouvelles et évoluent rapidement. Les agences prévoient un examen supplémentaire des risques propres à l’IA.

Cette exclusion ne signifie pas que les banques peuvent ignorer les systèmes agentiques. Elle montre que les cadres établis de gestion des modèles ne répondent pas à toutes les questions soulevées par les outils plus récents.

La validation des fournisseurs peut être particulièrement difficile lorsque plusieurs systèmes interagissent. Un analyseur de documents emprunteur peut alimenter en données structurées un workflow qui récupère des recherches sectorielles.

Un modèle linguistique peut ensuite produire une note à partir de ces deux sources. Une erreur peut survenir lors de l’extraction, de la classification, de la récupération, de la comparaison, de la génération ou de la vérification humaine.

Tester uniquement le texte final ne permettrait pas de détecter ces points de défaillance. Les banques ont besoin de tests au niveau des composants et de scénarios de bout en bout qui ressemblent à de véritables dossiers de crédit.

Elles ont également besoin de contrôles concernant les mises à jour. Une modification d’un modèle linguistique, d’une méthode de récupération, d’une taxonomie de rapports ou d’une définition de benchmark peut modifier les résultats sans changer l’interface.

La sécurité et la confidentialité ajoutent une autre dimension. Les dossiers d’emprunteurs peuvent contenir des documents fiscaux, des informations sur la propriété, des données de compte, des contrats et d’autres données commerciales sensibles.

Les institutions doivent savoir où ces informations circulent, combien de temps les fournisseurs les conservent et si elles servent à entraîner des modèles partagés. Les règles d’accès doivent limiter chaque utilisateur et processus automatisé aux informations nécessaires.

Les partenaires font également face à un risque commercial. Les banques peuvent apprécier une recherche plus rapide tout en hésitant à utiliser du contenu généré dans les décisions de crédit finales.

L’adoption pourrait s’arrêter à la préparation des appels ou à la rédaction préliminaire des notes. Cela créerait tout de même de la valeur, mais resterait en deçà d’un crédit commercial de bout en bout alimenté par l’IA.

Les entreprises doivent donc fournir des preuves allant au-delà de démonstrations plus rapides. Les acheteurs rechercheront des délais de traitement réduits, moins d’erreurs de documentation, une conformité cohérente aux politiques et une performance de crédit stable.

Ils voudront également la preuve que la vérification humaine reste significative. Un clic d’approbation obligatoire ne suffit pas si le personnel accepte habituellement les résultats automatisés sans examen.

La promesse du partenariat devrait rester formulée de manière limitée jusqu’à l’apparition de ces résultats. Il peut améliorer l’accès au contexte sectoriel, mais il n’a pas démontré publiquement de meilleurs résultats de prêts.

Le marché du crédit jugera l’adoption, l’exactitude et la responsabilité

Trois signaux détermineront si ce partenariat devient une infrastructure ou reste une nouvelle annonce d’intégration prometteuse.

Le premier signal sera constitué des preuves de déploiement auprès d’institutions financières nommées. La disponibilité du produit importe moins que son utilisation régulière dans des opérations de crédit réelles.

Une étude de cas significative devrait identifier l’étape du crédit à laquelle les informations d’IBISWorld apparaissent. Elle devrait également expliquer comment les analystes vérifient les sources et traitent les éléments contradictoires.

Les résultats les plus solides mesureraient le temps de traitement, les reprises de documents, les exceptions aux politiques et l’exactitude des vérifications. Le seul volume d’approbations révélerait peu de choses sur la qualité des prêts.

Les gains de rapidité annoncés nécessitent des références comparables. Un brouillon automatisé de cinq minutes peut encore créer du travail supplémentaire si les analystes doivent reconstituer des affirmations non étayées.

Le deuxième signal concerne les détails de gouvernance. Les acheteurs devraient rechercher une documentation couvrant la traçabilité des données, la classification sectorielle, les mises à jour de modèles, les journaux d’audit et les dérogations humaines.

La traçabilité des données suit les informations depuis leur origine à travers chaque transformation. Elle permet aux vérificateurs de déterminer comment un benchmark ou un chiffre concernant l’emprunteur est parvenu jusqu’à la note finale.

Les partenaires devraient également préciser si les informations sectorielles soutiennent uniquement la recherche ou influencent les recommandations. Cette frontière affecte les tests, l’examen de conformité et les explications requises.

Les banques auront besoin de contrôles pour les recherches obsolètes et les emprunteurs ambigus. Un déploiement crédible devrait afficher des avertissements lorsque la classification ou la qualité des preuves passe sous des seuils définis.

Le troisième signal est la performance dans des conditions de crédit changeantes. Une intégration peut sembler exacte lorsque les résultats des emprunteurs et les prévisions sectorielles évoluent dans les directions attendues.

Son véritable test arrive lorsque les secteurs divergent, que les hypothèses économiques échouent ou que des entreprises inhabituelles surpassent des catégories faibles. Ces périodes mettent en lumière les benchmarks rigides et la fausse confiance.

Les données sur le crédit aux petites entreprises de la Réserve fédérale montrent pourquoi la sélection des prêteurs et l’expérience des emprunteurs restent complexes. Les résultats des approbations varient selon les types de prestataires, les produits et la situation des demandeurs.

Un benchmark sectoriel ne peut pas résoudre cette complexité à lui seul. Il devient une donnée parmi les flux de trésorerie, les garanties, la qualité du management, l’historique de remboursement et la politique de la banque.

Les réactions des concurrents fourniront également des éléments utiles. Les fournisseurs établis de solutions d’octroi pourraient approfondir leurs intégrations avec des prestataires de recherche, de comptabilité, de lutte contre la fraude ou de données de marché.

Les banques peuvent aussi construire en interne des systèmes de récupération autour de jeux de données sous licence. Cette voie offre davantage de contrôle, mais engendre des coûts de maintenance et de gouvernance.

L’opportunité de Lama AI réside dans l’assemblage de ces capacités pour les institutions qui ne peuvent pas soutenir un vaste programme d’ingénierie interne. IBISWorld ajoute un contenu de recherche reconnu à cette proposition.

Son défi consiste à prouver que la connexion reste exacte à travers des milliers de secteurs et des structures d’emprunteurs variées. Une démonstration propre avec un seul demandeur simple ne répondra pas à cette question.

Pour les prêteurs qui évaluent le partenariat, la première étape devrait être un pilote limité. Choisissez un portefeuille défini, conservez le processus d’approbation existant et comparez les résultats à ceux d’analystes expérimentés.

Testez les demandes ordinaires et les exceptions difficiles. Incluez des entreprises multi-sectorielles, des documents incomplets, des dates contradictoires, des historiques d’exploitation limités et de forts écarts par rapport aux benchmarks sectoriels.

Mesurez si le système détecte des problèmes utiles que les analystes n’ont pas relevés. Mesurez également les affirmations non étayées, les classifications incorrectes, les preuves obsolètes et le temps consacré à corriger les brouillons.

Les équipes de gouvernance devraient examiner le parcours complet de l’information. Les responsables du crédit devraient décider où l’automatisation assiste, où elle recommande et où elle doit rester silencieuse.

Les travailleurs du savoir hors du crédit devraient également suivre cette expérience. Elle montre comment une recherche propriétaire peut passer d’une bibliothèque consultable à un workflow opérationnel piloté par des agents.

Cette transition se propage dans le travail professionnel. La recherche devient plus utile lorsqu’elle est fournie au moment d’une décision, mais les erreurs deviennent aussi plus lourdes de conséquences.

L’annonce IBISWorld Lama AI a atteint Google News parce qu’elle relie deux thèmes populaires en entreprise : les données propriétaires et les agents d’IA. Aucun de ces thèmes ne garantit un système décisionnel fiable.

La question décisive est de savoir si l’intégration préserve les preuves tout en réduisant l’effort manuel. Si les déploiements démontrent ces deux résultats, les workflows de souscription fragmentés subiront une réelle pression.

Si le produit génère principalement des résumés soignés, les banques conserveront le processus final plus proche de leurs contrôles existants. Le partenariat fonctionnera alors comme une aide à la recherche.

Surveillez les premiers déploiements nommés, le modèle de gouvernance publié et les performances dans des conditions sectorielles changeantes. Ces trois signaux distingueront les progrès opérationnels de l’élan promotionnel.

Pour l’instant, les équipes crédit devraient poser une question pratique : chaque phrase automatisée peut-elle résister à l’examen d’un souscripteur, d’un auditeur et d’un emprunteur ?

Cette norme est exigeante par conception. Dans le crédit commercial, une intelligence plus rapide ne compte que lorsque l’institution peut expliquer et défendre la manière dont elle a été utilisée.