IA, lutte contre le blanchiment d'argent 5 min de lecture
Taktile présente les dernières avancées en matière d'IA dans le domaine de la lutte contre le blanchiment d'argent (AML) dans ACAMS Today
Cet article est adapté d'un dossier publié dans le magazine ACAMS Today, rédigé par Maximilian Eber, cofondateur et directeur technique (CPTO) de Taktile, et Dustin Eaton, responsable du département Fraude et Lutte contre le blanchiment d'argent.
Dans un article publié dans le magazine ACAMS Today, Maximilian Eber, cofondateur et directeur technique (CPTO) de Taktile, et Dustin Eaton, responsable de la lutte contre la fraude et du lutte contre le blanchiment d’argent, affirment que le passage de systèmes de lutte contre le blanchiment d’argent basés sur des règles à des systèmes pilotés par l’IA devient rapidement un avantage concret.
Les programmes de lutte contre le blanchiment d’argent actuels détectent moins de 1 % des 2 000 milliards de dollars estimés blanchis chaque année dans le monde. Et ce, même si les institutions financières dépensent environ 206 milliards de dollars par an en matière de conformité, les résultats restent insuffisants.
Cet écart explique pourquoi l'IA connaît un essor croissant : elle permet de mieux identifier les tendances, d'améliorer la précision et de réduire le travail manuel.
Forts d'une confiance grandissante dans l'IA, les régulateurs encouragent désormais, pour la première fois, son adoption dans le domaine de la lutte contre le blanchiment d'argent.
Eber et Eaton proposent une feuille de route concrète pour une mise en œuvre responsable de l'IA dans le domaine de la lutte contre le blanchiment d'argent. Ils expliquent pourquoi l'IA est particulièrement bien adaptée aux défis actuels en matière de lutte contre le blanchiment d'argent et dans quels domaines elle a le plus d'impact. Ils décrivent également les attentes des régulateurs en matière de gouvernance de l'IA, ainsi que les moyens dont disposent les équipes pour réduire les risques liés à son adoption. Enfin, ils présentent les facteurs qui influencent la réussite de la plupart des initiatives en matière d'IA.
Pourquoi l'IA est particulièrement adaptée aux défis actuels en matière de lutte contre le blanchiment d'argent
Dans cet article publié dans le magazine « ACAMS Today », Eber et Eaton soulignent que les preuves en faveur de l'IA dans la lutte contre le blanchiment d'argent sont passées du stade théorique à celui de résultats mesurables dans le cadre de programmes concrets.
Selon une étude de validation menée par Guidehouse, 61 % des établissements financiers ont fait état d'une réduction des risques après avoir mis en œuvre l'IA et l'apprentissage automatique dans le cadre de la lutte contre le blanchiment d'argent.
L'une des principales raisons réside dans la reconnaissance de schémas. L'IA est capable de détecter des comportements et des schémas complexes qui pourraient échapper aux analystes humains lorsqu'ils examinent les dossiers un par un.
L'IA peut également organiser des données structurées, telles que l'historique des comptes clients, et des informations non structurées, comme les articles de presse négatifs, aidant ainsi les analystes à déterminer quelles alertes méritent d'être examinées de manière plus approfondie et plus rapide.
Eber et Eaton soulignent également la capacité avérée de l’IA à alléger la charge de travail quotidienne à laquelle sont généralement confrontées les équipes chargées de la conformité. Par exemple, le déploiement de l’IA dans la surveillance des transactions a permis de une réduction de 50 à 70 % des taux de faux positifs par rapport aux systèmes traditionnels basés sur des règles. Cela peut générer des économies substantielles ou libérer des ressources pour des enquêtes portant sur des risques plus élevés.
De la surveillance des transactions au filtrage des sanctions, les équipes chargées de la lutte contre le blanchiment d'argent gagnent en efficacité et réduisent les risques grâce à l'IA. Ces équipes ont tendance à obtenir de bons résultats lorsqu'elles considèrent les modèles d'IA comme des actifs soumis à une gouvernance, gérés avec la même rigueur que les modèles de crédit ou de capital.
Lisez l'intégralité de cet article publié dans le magazine ACAMS Today.
Comment la réglementation en matière de lutte contre le blanchiment d'argent a été étendue pour garantir un déploiement sûr de l'IA
Comme l'expliquent Eber et Eaton dans leur article publié dans ACAMS Today, la gouvernance de l'IA dans le domaine de la lutte contre le blanchiment d'argent s'appuie principalement sur des cadres de gestion des risques liés aux modèles déjà bien connus, plutôt que d'introduire des exigences entièrement nouvelles.
Les directives SR 11-7 du Conseil de la Réserve fédérale relatives à la gestion des risques liés aux modèles constituent une référence essentielle. Bien qu’elles aient été publiées en 2011 en collaboration avec l’OCC, leurs principes fondamentaux restent d’actualité pour les systèmes modernes de lutte contre le blanchiment d’argent.
Les trois éléments fondamentaux restent les mêmes :
- Validité conceptuelle : comprendre comment fonctionne le modèle, pourquoi il devrait fonctionner et pourquoi il est adapté au cas d'utilisation.
- Suivi continu : surveiller les performances au fil du temps afin de s'assurer que le modèle continue de fonctionner comme prévu et de détecter quand un réajustement est nécessaire.
- Validation : Il est nécessaire de faire procéder à un examen indépendant par du personnel qualifié n'ayant pas participé au développement, axé sur l'efficacité, les limites et les hypothèses.
L'intégration de capacités d'IA agentique ajoute toutefois un niveau supplémentaire de complexité :
- Explicabilité : les modèles d’IA sont plus complexes que les systèmes basés sur des règles, car ils combinent simultanément de nombreux signaux et les pondèrent différemment en fonction du contexte, plutôt que de suivre une règle unique du type « si X, alors Y ».Pour fournir des explications répondant aux attentes en matière de transparence, les équipes peuvent recourir à des techniques telles que les explications additives de Shapley (SHAP), qui évaluent dans quelle mesure chaque facteur d’entrée a contribué à une prédiction spécifique, ou les explications locales interprétables indépendantes du modèle (LIME), qui modélisent approximativement le comportement du modèle autour d’un cas spécifique à l’aide d’un modèle plus simple et facile à expliquer.
- Apprentissage dynamique : les modèles qui font l'objet d'un réentraînement plus fréquent nécessitent une surveillance plus étroite pour gérer la dérive. En effet, les comportements dans le monde réel évoluent au fil du temps, et un modèle qui donnait de bons résultats par le passé peut perdre en précision à mesure que les schémas de fraude, les comportements des clients et la qualité des données évoluent.
- Qualité des données : les performances de l'IA dépendent fortement de la qualité et de la représentativité des données, ce qui confère une importance capitale à la traçabilité des données, aux contrôles de qualité et aux tests de biais dans le cadre de la gouvernance.
Dans leur ensemble, ces pratiques de gouvernance rendent l'adoption de l'IA plus sûre, plus facile à contrôler et plus simple à justifier auprès des autorités de régulation, sans pour autant freiner l'innovation.
Dépasser les limites des systèmes traditionnels de lutte contre le blanchiment d'argent
Les programmes de lutte contre le blanchiment d'argent (AML) traditionnels ont été conçus pour une autre époque : des volumes plus faibles, une évolution plus lente des typologies et des systèmes pouvant être ajustés uniquement à l'aide de règles. Mais aujourd'hui, on attend des équipes qu'elles ne se contentent pas de « cocher des cases ».
Comprendre en quoi l'IA apporte de la valeur dans la lutte contre le blanchiment d'argent et identifier les cadres de gouvernance attendus par les régulateurs ne constituent qu'une première étape. La mise en œuvre représente le prochain défi : choisir les bons cas d'utilisation, démontrer l'efficacité du système, mettre en place des contrôles adaptés aux audits et procéder à un déploiement en toute sécurité sans perturber les opérations.
Dans le prochain volet de cette série, Maximilian Eber et Dustin Eaton présentent un guide opérationnel pratique destiné aux établissements financiers qui adoptent des stratégies de lutte contre le blanchiment d'argent (AML) basées sur l'IA. Ce guide comprend des pratiques de gouvernance concrètes, des méthodes de validation et des stratégies de mise en œuvre conçues pour réduire les risques.
