Taktile partage les dernières avancées de l’IA en AML avec ACAMS Today

Dans un article publié dans ACAMS Today Magazine, Maximilian Eber, cofondateur et CPTO de Taktile, et Dustin Eaton, Principal Fraude et LCB-FT, soutiennent que le passage de systèmes de lutte contre le blanchiment (AML) fondés sur des règles à des systèmes pilotés par l’IA devient rapidement un avantage concret.

Les programmes AML actuels interceptent moins de 1 % des quelque 2 000 milliards de dollars blanchis chaque année dans le monde. Et même si les institutions financières consacrent environ 206 Md$ par an à la conformité, les résultats restent insuffisants.

Cet écart explique pourquoi l’IA gagne du terrain : elle repère mieux les schémas, améliore la précision et réduit l’effort manuel.

Avec une confiance croissante dans l’IA, les régulateurs encouragent désormais, pour la première fois, son adoption en AML.

Eber et Eaton présentent une feuille de route concrète pour mettre en œuvre l’IA de manière responsable en AML. Ils expliquent pourquoi l’IA est particulièrement adaptée aux défis actuels de l’AML et où elle a le plus d’impact. Ils exposent aussi ce que les régulateurs attendent en matière de gouvernance de l’IA, et comment les équipes peuvent réduire les risques liés à son adoption. Enfin, ils partagent les facteurs qui influencent la réussite de la plupart des initiatives d’IA.

Pourquoi l’IA est particulièrement adaptée aux défis actuels de l’AML

Dans cet article d’ACAMS Today Magazine, Eber et Eaton soulignent que les preuves de l’intérêt de l’IA en AML sont passées de la théorie à des résultats mesurables dans des programmes réels.

Selon une étude de validation de Guidehouse, 61 % des institutions financières ont constaté une réduction du risque après avoir mis en œuvre l’IA et le machine learning en AML.

L’une des principales raisons est la reconnaissance de schémas. L’IA peut détecter des comportements et des schémas complexes que des analystes humains pourraient manquer en examinant les dossiers un par un.

L’IA peut aussi organiser des données structurées, comme l’historique des comptes clients, et des informations non structurées, comme les médias défavorables, aidant les analystes à décider quelles alertes méritent d’être investiguées, avec plus d’échelle et de rapidité.

Eber et Eaton insistent également sur la capacité avérée de l’IA à réduire la charge de travail quotidienne des équipes conformité. Par exemple, le déploiement de l’IA dans la surveillance des transactions a permis d’obtenir des taux de faux positifs inférieurs de 50 à 70 % à ceux des systèmes traditionnels fondés sur des règles. Cela peut générer des économies significatives ou libérer de la capacité pour des investigations à plus haut risque.

De la surveillance des transactions au filtrage des sanctions, les équipes AML gagnent en efficacité et réduisent leur risque grâce à l’IA. Ces équipes réussissent généralement lorsqu’elles traitent les modèles d’IA comme des actifs gouvernés, gérés avec la même rigueur que les modèles de crédit ou de capital.

Comment la réglementation AML s’est étendue au déploiement sûr de l’IA

Comme l’expliquent Eber et Eaton dans l’article d’ACAMS Today, la gouvernance de l’IA en AML s’appuie surtout sur des cadres de gestion du risque de modèle déjà connus, plutôt que d’introduire des exigences entièrement nouvelles.

Un point de référence essentiel est la directive SR 11-7 du Conseil de la Réserve fédérale sur la gestion du risque de modèle. Bien que publiée en 2011 avec l’OCC, ses principes fondamentaux s’appliquent toujours aux systèmes AML modernes.

Les trois composantes essentielles restent les mêmes :

• Solidité conceptuelle : comprendre comment le modèle fonctionne, pourquoi il devrait fonctionner et pourquoi il convient au cas d’usage.
• Surveillance continue : suivre la performance dans le temps pour s’assurer que le modèle continue de se comporter comme prévu et repérer le moment où un recalibrage est nécessaire.
• Validation : exiger une revue indépendante par du personnel qualifié non impliqué dans le développement, centrée sur l’efficacité, les limites et les hypothèses.

L’intégration de capacités d’IA agentique ajoute toutefois une couche de complexité supplémentaire :

• Explicabilité : les modèles d’IA sont plus complexes que les systèmes fondés sur des règles, car ils combinent de nombreux signaux à la fois et les pondèrent différemment selon le contexte, au lieu de suivre une seule règle « si X, alors Y ». Pour fournir des explications qui répondent aux attentes de transparence, les équipes peuvent recourir à des techniques telles que SHapley Additive exPlanations (SHAP), qui estime dans quelle mesure chaque facteur d’entrée a contribué à une prédiction donnée, ou Local Interpretable Model-agnostic Explanations (LIME), qui approxime le comportement du modèle autour d’un cas précis avec un modèle plus simple, facile à expliquer.
• Apprentissage dynamique : les modèles réentraînés plus souvent exigent une surveillance renforcée pour gérer la dérive. En effet, les comportements réels évoluent avec le temps, et un modèle qui performait bien 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 : la performance de l’IA dépend fortement de la qualité et de la représentativité des données, ce qui place la traçabilité des données, les contrôles qualité et les tests de biais au cœur de la gouvernance.

Prises ensemble, ces pratiques de gouvernance rendent l’adoption de l’IA plus sûre, plus auditable et plus facile à défendre auprès des régulateurs, sans freiner l’innovation.

Dépasser les limites des systèmes AML historiques

Les programmes AML historiques ont été conçus pour une autre époque : des volumes plus faibles, une évolution plus lente des typologies et des systèmes que l’on pouvait régler avec des règles seules. Aujourd’hui, on attend des équipes qu’elles fassent plus que « cocher la case ».

Comprendre où l’IA crée de la valeur en AML, et quels cadres de gouvernance les régulateurs attendent, n’est que la première étape. La mise en œuvre est le défi suivant : choisir les bons cas d’usage, prouver la performance, construire des contrôles prêts pour l’audit et déployer en toute sécurité sans perturber les opérations.

Dans la prochaine partie de cette série, Maximilian Eber et Dustin Eaton partagent un guide opérationnel concret à l’intention des institutions financières qui adoptent des stratégies AML pilotées par l’IA, avec des pratiques de gouvernance, des approches de validation et des stratégies de déploiement conçues pour réduire le risque.