Les agents d'IA dans les domaines de la conformité et de la lutte contre le blanchiment d'argent : guide pour un déploiement responsable

Pour les équipes chargées de la lutte contre la criminalité financière (AML) et de la conformité, le défi réside rarement dans un manque d’efforts. Il s’agit plutôt de la pression croissante qui les pousse à agir rapidement, à réduire les obstacles pour les clients et à détecter les véritables délits financiers, tout en assurant la documentation, la cohérence et la surveillance requises par les activités soumises à une réglementation.

Cette pression se fait sentir tout au long du cycle de vie du client. Lors de la mise en route, les analystes peuvent passer des heures à examiner des documents, à vérifier les structures de propriété, à effectuer des contrôles relatifs aux sanctions et aux listes de surveillance, et à évaluer les informations négatives parues dans la presse. Une fois que les clients sont actifs, les systèmes de surveillance des transactions peuvent submerger les équipes de faux positifs. Et lorsque les dossiers sont transmis à un niveau supérieur, les enquêteurs doivent souvent reconstituer le contexte à partir de plusieurs systèmes avant de pouvoir décider des mesures à prendre.

C'est là que l'IA agentique peut commencer à apporter son aide. Les agents d'IA sont particulièrement adaptés aux processus qui nécessitent une analyse, une synthèse et un acheminement minutieux : collecte d'informations, mise en relation des signaux entre les différents systèmes, préparation de résumés de dossiers et signalement des cas présentant un risque plus élevé ou une incertitude afin qu'ils soient examinés par un humain.

Dans le guide de Taktile consacré au déploiement responsable des agents IA au sein des établissements financiers, nous examinons comment ces agents peuvent faciliter certaines des tâches les plus manuelles et nécessitant le plus de jugement dans le secteur des services financiers, notamment en matière de lutte contre le blanchiment d'argent et de conformité.

Pour ces équipes, l'enjeu ne se limite pas à traiter davantage d'alertes ou à effectuer des vérifications plus rapidement. Il s'agit de mettre en place une méthode de travail plus ciblée et plus riche en contexte : une méthode dans laquelle les agents contribuent à la préparation de l'enquête, les analystes gardent le contrôle des décisions critiques, et chaque résultat peut être examiné, documenté et amélioré au fil du temps.

Les moteurs de règles traditionnels sont utiles pour les contrôles déterministes. Ils permettent de signaler les transactions dépassant un certain seuil ou d'appliquer des exigences réglementaires fixes. En revanche, ils sont moins adaptés aux aspects des activités de lutte contre le blanchiment d'argent et de conformité qui nécessitent une interprétation, une enquête et une prise en compte du contexte.

Les agents se distinguent par leur capacité à traiter des informations non structurées, à relier des données provenant de sources multiples, à suivre les étapes d'une enquête et à déterminer quand un dossier nécessite une intervention humaine. Concrètement, cela permet aux équipes de passer des alertes brutes et des recherches manuelles à des résumés de dossiers pré-compilés, à des signaux de risque plus clairs et à un examen plus ciblé.

L'objectif n'est pas de se substituer au jugement en matière de conformité. Il s'agit plutôt de réduire le travail d'enquête fastidieux qui empêche les analystes de consacrer suffisamment de temps aux dossiers qui nécessitent véritablement leur expertise.

Pour rendre cela plus concret, il est utile d'envisager le parcours de lutte contre le blanchiment d'argent et de conformité en trois niveaux interdépendants : l'intégration des clients, la surveillance continue des transactions et la gestion des dossiers/le dépôt des déclarations d'opérations suspectes (SAR). Chaque niveau engendre une charge opérationnelle différente et offre aux agents une opportunité distincte d'accompagner les personnes impliquées dans le processus.

Lors de la procédure d'intégration, les décisions en matière de conformité reposent souvent sur la vérification des informations fournies par le client au regard des politiques internes et des sources de données externes. Cela peut concerner notamment les informations relatives à la propriété de l'entreprise, l'origine des fonds, les données relatives aux sanctions et aux listes de surveillance, la vérification d'adresse et les mentions négatives dans la presse.

La vérification des documents constitue un excellent point de départ, car les agents ne se contentent pas d'extraire du texte. Ils sont capables de comprendre le sens des informations, de les comparer à d'autres sources et d'identifier les lacunes.

En l'absence d'agents, les analystes peuvent recourir à la reconnaissance optique de caractères (OCR) pour extraire des données de documents, puis comparer manuellement ces données avec celles figurant dans les registres ou provenant de sources de vérification. L'OCR permet d'extraire du texte, mais ne permet pas toujours de déterminer si les informations sont complètes, incohérentes ou pertinentes.

Grâce aux agents, une grande partie de ce travail préparatoire peut être allégée. Un agent est capable de lire les documents des clients, même lorsque leur format n'est pas standard, de recouper les informations extraites avec celles des registres et des sources de vérification d'identité, d'identifier les incohérences et de résumer ses conclusions à l'intention de l'analyste.

Pour les clients, cela peut se traduire par une réduction des retards et des demandes plus claires concernant les informations manquantes. Pour les analystes, cela signifie moins de temps consacré à la compilation des données et davantage de temps consacré à l'examen du fond du dossier.

La gestion des informations négatives dans les médias est un autre domaine dans lequel les agents peuvent réduire considérablement la charge de travail manuel.

De nombreuses institutions ont déjà automatisé le processus de recherche initial. Le plus difficile consiste à déterminer si le résultat est pertinent, à l'associer à la bonne entité, à évaluer le niveau de risque, à consigner les conclusions et à décider de la marche à suivre.

Les agents peuvent collecter et lire des articles, associer les résultats au client concerné, filtrer les alertes à faible risque et synthétiser les signaux pertinents afin qu’ils soient examinés par les analystes. À mesure que le comportement des clients évolue, les agents peuvent également surveiller l’apparition de nouveaux signaux médiatiques négatifs et déclencher un examen dès que des inquiétudes surgissent.

Toutefois, le guide souligne également un point important à prendre en compte : les sanctions et les erreurs de filtrage des personnes politiquement exposées (PPE) peuvent entraîner des conséquences réglementaires immédiates. C’est pourquoi, dans ces domaines, les agents doivent appliquer des seuils plus bas pour l’intervention humaine et veiller à ce que les documents fassent obligatoirement l’objet d’un examen par la hiérarchie.

Il s'agit là d'un principe utile pour un déploiement responsable des solutions de lutte contre le blanchiment d'argent (AML) de manière plus générale : plus les conséquences réglementaires sont importantes, plus le seuil d'automatisation doit être prudent.

Une fois les clients enregistrés, les équipes chargées de la lutte contre le blanchiment d'argent doivent relever le défi permanent de surveiller leur activité afin de détecter tout comportement suspect.

Traditionnellement, les systèmes de surveillance des transactions posaient un dilemme : soit élargir le champ d'analyse et submerger les analystes de faux positifs, soit resserrer les seuils et risquer de passer à côté de véritables menaces. Les systèmes basés sur des règles peuvent signaler des schémas suspects, mais ils ne disposent souvent pas du contexte nécessaire pour distinguer une anomalie à faible risque d'un signal de risque significatif.

C'est là qu'un tri intelligent des alertes peut s'avérer utile. Au lieu d'envoyer chaque alerte déclenchée directement dans la file d'attente d'un analyste, un agent peut commencer par mener l'enquête.

Lorsqu'une alerte se déclenche, l'agent peut rassembler des informations contextuelles pertinentes, telles que l'historique des transactions, le profil du client, ses habitudes comportementales, les alertes antérieures et les indicateurs de risque. Il peut ensuite évaluer l'alerte à la lumière de ce tableau d'ensemble : résoudre les cas à faible risque le cas échéant, classer le niveau de préoccupation et transmettre les cas à haut risque ou incertains à un examinateur humain, accompagnés d'un résumé pré-établi.

Pour les analystes, cela modifie le point de départ. Plutôt que de partir d'une alerte brute et de rassembler manuellement les éléments de contexte, ils disposent d'une vue d'ensemble plus complète du dossier, dans laquelle les éléments pertinents sont déjà organisés. Leurs validations, modifications et dérogations peuvent ensuite être réintégrées dans le système, ce qui aide l'agent à affiner son jugement au fil du temps.

Pour les organisations bien établies, l'intérêt ne réside pas simplement dans la détection d'un plus grand nombre d'alertes. Il s'agit d'aider les équipes à hiérarchiser les alertes les plus susceptibles de représenter un risque réel, à réduire le temps consacré aux faux positifs et à concentrer l'expertise humaine là où elle peut avoir le plus d'impact.

L'intérêt d'un système AML « agentique » apparaît particulièrement clairement dès lors qu'un dossier fait l'objet d'une enquête et d'une documentation plus approfondies.

À ce stade, les analystes doivent souvent consulter plusieurs systèmes pour comprendre ce qui s'est passé, pourquoi cela est important et si cette activité doit faire l'objet d'un signalement. Ils peuvent être amenés à examiner l'historique du client, ses habitudes de transaction, les alertes antérieures, les scores de risque et les éléments justificatifs avant de pouvoir commencer à rédiger un compte rendu clair.

La génération narrative par SAR est un exemple parlant illustrant comment les agents peuvent faciliter le processus sans pour autant priver l'humain de son contrôle.

Lorsqu'un dossier nécessite la rédaction d'un rapport d'activité suspecte, un agent peut aider à préparer la première ébauche en organisant les faits pertinents, en mettant en évidence les principaux indicateurs de risque et en structurant les conclusions selon le format requis. Au lieu de partir d'une page blanche, les responsables de la révision peuvent s'appuyer sur un texte préliminaire établi en lien avec les informations sur le client, l'historique des transactions et les éléments de preuve.

L'analyste ou le réviseur reste responsable de l'évaluation finale, de la mise au point et de la soumission. Cependant, le contexte étant déjà établi et le cadre narratif déjà défini, il peut consacrer davantage de temps à l'évaluation du fond du dossier et moins de temps à la collecte manuelle d'informations.

Pour les équipes chargées de la lutte contre la LMA, cela peut contribuer à alléger la charge administrative liée à la documentation, à améliorer la cohérence entre les dossiers et à permettre aux évaluateurs de mieux comprendre comment chaque conclusion a été formulée.

Pour les équipes chargées de la lutte contre la criminalité financière (AML) et de la conformité, un déploiement responsable repose sur un principe simple : les agents ne doivent pas rester en marge du flux de travail, comme des chatbots isolés ou des assistants de recherche. Ils doivent être intégrés à un processus encadré, dans lequel leurs actions sont contextualisées, contrôlées, vérifiables et auditable.

Cela implique de concevoir en s'articulant autour de quatre couches principales :

Contexte : Les agents doivent pouvoir accéder aux informations nécessaires pour mener une analyse fiable, notamment les données clients, les résultats des vérifications effectuées par des tiers, l'historique des transactions, les alertes antérieures et le contexte réglementaire pertinent.

Contrôles : les exigences fixes, les seuils et les contraintes stratégiques non négociables doivent continuer à être régis par des règles. Les agents sont particulièrement utiles lorsque le travail nécessite des analyses, une synthèse et un soutien à la prise de décision.

Examen par un humain : les cas à haut risque, les résultats incertains, les sanctions ou les préoccupations liées à la PEP, ainsi que les activités soumises à déclaration doivent être transmis à des examinateurs qualifiés, en veillant à ce que les éléments probants, le raisonnement et la prochaine étape recommandée soient clairement visibles.

Suivi : chaque action effectuée par un agent doit pouvoir faire l'objet d'un audit, notamment en ce qui concerne les sources de données utilisées, les outils mobilisés, la recommandation formulée, ainsi que le fait de savoir si celle-ci a été approuvée, modifiée ou annulée par un intervenant humain.

Ensemble, ces couches aident les équipes AML à passer d'une assistance par IA isolée à des flux de travail autonomes suffisamment fiables pour soutenir des opérations soumises à une réglementation.

Un premier déploiement concret de l'AML commence généralement par un workflow où le problème est précis, mesurable et peut être testé en toute sécurité.

Pour certaines équipes, il peut s'agir de la vérification de documents lors de l'intégration. Pour d'autres, cela peut concerner le filtrage des informations médiatiques défavorables, le tri des alertes dans le cadre d'un scénario défini de surveillance des transactions, la préparation de résumés de dossiers ou la rédaction de rapports d'opérations suspectes (SAR) destinés à un examen humain.

Les meilleurs points de départ sont ceux qui présentent des limites claires, un niveau de référence humain connu et une politique d'escalade bien définie. Il est ainsi plus facile d'évaluer si l'agent permet de réduire la charge de travail manuel, d'améliorer la cohérence et d'aider les analystes à se concentrer sur les dossiers qui nécessitent un examen plus approfondi.

Parmi les indicateurs utiles à suivre, on peut citer :

Les déploiements d'agents AML réussis ne sont pas nécessairement ceux qui automatisent le plus dès le premier jour. Ce sont ceux qui instaurent la confiance au fil du temps en préservant le contrôle, en améliorant la visibilité et en aidant les analystes à faire preuve de discernement là où cela compte le plus.

Si votre équipe cherche à déterminer comment les agents pourraient réduire le travail d'enquête manuel tout en préservant le contrôle et la supervision, téléchargez le guide complet pour découvrir une feuille de route pratique en vue d'un déploiement responsable dans les domaines de la conformité et de la lutte contre le blanchiment d'argent, ainsi que dans les cas d'utilisation liés à la souscription de crédit et à la lutte contre la fraude.

Comment les agents d'IA peuvent-ils contribuer au respect des obligations en matière de lutte contre le blanchiment d'argent ?

Les agents d'IA peuvent contribuer à automatiser le travail d'enquête, à résumer le contexte relatif aux clients et aux transactions, à trier les alertes, à faciliter l'analyse des informations négatives par les médias et à rédiger des rapports de soupçon de blanchiment d'argent (SAR) destinés à être examinés par des humains.

Les agents d'IA peuvent-ils réduire le nombre de faux positifs dans la lutte contre le blanchiment d'argent ?

Les agents peuvent contribuer à réduire le nombre de faux positifs en intégrant une analyse contextuelle au tri des alertes, en résolvant les cas présentant un risque moindre lorsque cela est approprié et en transmettant les cas présentant un risque plus élevé, accompagnés d'éléments justificatifs.

Les agents d'IA devraient-ils gérer de manière autonome les sanctions ou le filtrage des personnes politiquement exposées (PEP) ?

Le guide recommande d'abaisser les seuils d'intervention humaine et d'imposer un examen par la hiérarchie pour les sanctions et les processus liés aux personnes politiquement exposées (PPE), car toute erreur peut entraîner des conséquences réglementaires immédiates.

Quelles mesures de contrôle sont nécessaires pour les agents AML ?

Les agents chargés de la lutte contre le blanchiment d'argent ont besoin de contrôles d'accès aux données, de règles de remontée, de workflows de vérification humaine, de pistes d'audit, d'un suivi des performances et de politiques claires définissant dans quelles circonstances ils peuvent formuler des recommandations, résoudre ou remonter des dossiers.