Explication de l'IA anti-blanchiment d'argent

Le blanchiment d'argent fait référence à la façon dont des acteurs individuels ou des groupes criminels injectent les revenus issus de leurs activités illégales dans le système financier mondial, afin de donner l'impression que ces revenus ont été gagnés légitimement. Les banques américaines dépensent environ 25 milliards de dollars par an pour lutter contre le blanchiment d'argent, et les amendes imposées aux banques du monde entier qui ne parviennent pas à l'empêcher ont dépassé les 6 milliards de dollars en 2023.

Les criminels trouvent des solutions de plus en plus sophistiqués pour échapper aux contrôles, tandis que les banques ont des difficultés à repérer les actions de blanchiment d'argent réel : en effet, la grande majorité des alertes que leur logiciel de suivi émet sont en fait liées à des transactions bénignes. Ces faux positifs consomment de l'argent et des efforts.

Aujourd'hui, les institutions financières commencent à compléter ou à remplacer les logiciels de lutte contre le blanchiment d'argent (AML) basés sur des règles prédéfinies par des logiciels plus sophistiqués optimisés par l'IA. Ce logiciel est meilleur lorsqu'il s'agit de détecter des schémas cachés dans les transactions et les relations entre les personnes et les entreprises, il examine plus soigneusement les activités suspectes et il classe plus efficacement les clients en fonction de leur niveau risque en matière de blanchiment d'argent. Il peut en résulter un nombre inférieur de faux positifs, une meilleure protection contre les acteurs illégaux et les amendes réglementaires, et une réduction des coûts de conformité.

Qu’est-ce que l’IA ?

L'intelligence artificielle est un ensemble de techniques statistiques qui permettent aux ordinateurs de voir les relations, d'effectuer des déductions et de prévoir des scénarios en fonction de modèles tirés de grandes quantités de données. Les entreprises de services financiers utilisent des techniques d'IA pour automatiser les processus de back-office, notamment la lutte contre la fraude par carte de crédit, la personnalisation des offres de produits, la formulation de recommandations aux équipes de vente et la lutte contre le blanchiment d'argent.

Qu'est-ce que l'IA AML ?

Les systèmes traditionnels basés sur des règles, qui recherchent des signes avant-coureurs d'activité criminelle ou de transactions suspectes basées sur des modèles préprogrammés, cèdent la place aux systèmes basés sur l'IA qui peuvent détecter les caractéristiques comportementales du blanchiment d'argent. Auparavant, les logiciels de lutte contre le blanchiment d'argent cherchaient des drapeaux rouges qui pourraient indiquer une activité criminelle, ainsi que des informations complémentaires telles que l'apparition d'un client bancaire sur une liste de sanctions internationales, les dépôts bancaires juste en dessous du seuil nécessitant l'envoi de rapports au gouvernement ou les transferts de montants à partir d'un compte similaire à ceux récemment payés.

La difficulté est que les criminels utilisent des tactiques évolutives pour blanchir leurs produits dans ce qui semble être des transactions financières légitimes. En plus de mettre en place des sociétés écrans pour rendre la propriété plus difficile à tracer, ils investissent dans des entreprises existantes qui font la plupart de leur activité en espèces, puis gonflent leurs revenus. Ils déposent également leur argent en petits montants dans plusieurs institutions financières et acheminent l'argent dans des pays aux réglementations laxistes. Cela signifie que les méthodes traditionnelles de lutte contre le blanchiment d'argent sont souvent inefficaces, tout en générant un nombre très élevé de faux positifs qui peuvent coûter aux banques des dizaines de millions de dollars par an.

Les systèmes basés sur l'IA peuvent détecter les modèles de transaction cachés parmi les réseaux de personnes, comparer les comportements avec ceux qui sont historiquement courants pour une entreprise ou ses pairs, attribuer des scores de risque aux clients en fonction de leur activité passée et des informations Know Your Customer (KYC), et trier les événements pour clôturer les enquêtes à faible risque. La détection des fraudes pour les transactions, les paiements électroniques aux fournisseurs, l'AML et le KYC figurent parmi les cinq principaux cas d'utilisation de l'IA dans les services financiers, selon une étude du fabricant de puces d'IA NVIDIA.

Points clés à retenir

• L'intelligence artificielle peut aider les banques à réduire leurs coûts de conformité réglementaire en détectant des changements plus précis dans le comportement des clients et en s'adaptant aux nouveaux risques lorsqu'ils surviennent.
• Les logiciels aident à lutter contre le blanchiment d'argent en trouvant des risques précédemment cachés et en réduisant le nombre de faux positifs dont les équipes AML ont besoin pour enquêter.
• Les banques maintiennent toujours un nombre similaire de rapports pour les autorités, concernant les activités légitimement suspectes.
• Le coût des processus inefficaces est élevé, car les amendes réglementaires mondiales pour ne pas avoir mis fin au blanchiment d'argent augmentent.

Explication de l'IA anti-blanchiment d'argent

Les banques subissent une pression intense pour éliminer les techniques de blanchiment d'argent de plus en plus sophistiquées et éviter les amendes sévères, tout en maîtrisant leurs coûts de conformité réglementaire. En remplaçant les outils logiciels basés sur des règles par des applications AML basées sur l'IA, les banques peuvent améliorer leur identification des activités suspectes jusqu'à 40 %, selon McKinsey & Company, tout en réduisant considérablement leur nombre de faux positifs.

Les approches de l'IA incluent l'application du machine learning à la notation des clients pour prédire leur propension à perpétrer un crime financier. Les applications AML utilisent également l'apprentissage non supervisé, dans lequel un système d'apprentissage automatique n'est pas entraîné avec des exemples étiquetés et détermine les relations d'après les données brutes, afin d'identifier les comportements changeants des clients et de capturer plus précisément les risques. Les systèmes d'IA peuvent intégrer des modèles de comportement attendu, qui signalent les écarts et remplacent les règles fixes. Les outils d'AML basés sur l'IA trient également les événements de scénario basés sur des règles pour clôturer les enquêtes à faible risque ou réduire automatiquement leur priorité.

Comment fonctionne l'IA AML ?

Lorsque des entreprises ou des particuliers veulent ouvrir un compte bancaire, les banques effectuent des évaluations des risques. Cela inclut de poser aux clients potentiels une série de questions sur leur travail, leur résidence, leurs sources de revenus et la façon dont ils envisagent de transférer de l'argent. Les banques s'assurent également que les clients potentiels ne figurent pas sur les listes de sanctions internationales qui leur interdiraient de transférer des fonds. Elles doivent également déterminer si chaque individu est une personne politiquement exposée, c'est-à-dire une figure politique, un membre de sa famille ou un proche associé, ce qui les soumet dans ce cas à un examen plus minutieux. Les banques entreprennent ensuite des processus de KYC et évaluent les candidats potentiels pour le risque de blanchiment d'argent ou de fraude.

Le problème est que certaines informations reposent sur l'honnêteté des réponses des clients, de sorte que les institutions financières ont besoin de moyens automatisés pour voir si l'activité bancaire réelle des clients est différente de l'intention qu'ils ont déclarée. Les contrôles AML traditionnels examinent les données de transaction, y compris les mouvements internationaux de fonds, si les transactions de montants similaires évoluent rapidement entre les comptes et si les clients ont divisé les transactions volumineuses en transactions plus petites. Les criminels transfèrent souvent de l'argent vers des comptes dans différents pays dont la réglementation en matière de lutte contre le blanchiment d'argent est moins rigoureuse que dans leur lieu de résidence. Une autre difficulté est que ces comportements peuvent également avoir des explications bénignes.

Les systèmes basés sur l'IA sont plus efficaces pour analyser les données afin de trouver des schémas que les analystes humains et les contrôleurs des risques seuls ne peuvent pas détecter. Les logiciels peuvent appliquer un score de risque comportemental pour prédire la propension d'un client à commettre un crime, exécuter des modèles prédictifs pour montrer si les enquêtes de niveau un peuvent être clôturées en toute sécurité sans remontée vers des équipes plus spécialisées, et simuler le blanchiment d'argent pour évaluer l'efficacité des systèmes de contrôle des transactions. Cela peut réduire le nombre d'alertes qui ne signalent pas une activité réelle de blanchiment d'argent, et contribue ainsi à réduire les coûts liés à la conformité. La technologie d'IA générative peut aider les banques à résumer les évaluations initiales des risques et à rédiger des rapports d'activités suspectes pour les forces de l'ordre.

Les techniques d'IA couramment utilisées dans la lutte contre le blanchiment d'argent comprennent l'apprentissage par renforcement profond, les réseaux antagonistes génératifs (GAN) et les réseaux neuronaux graphiques (GNN). Les GAN généralisent à partir d'exemples de blanchiment d'argent tirés des données d'entraînement, pour trouver des modèles modifiés à mesure que les criminels ajustent leurs approches. Les GNN recherchent des relations entre les personnes et les entités apprises au cours de la formation, y compris celles qui n'étaient pas identifiées auparavant. Cette analyse aide les banques à repérer les activités de blanchiment d'argent impliquant des groupes d'acteurs criminels. L'apprentissage par renforcement profond peut apprendre aux modèles d'IA à découvrir les nouvelles relations entre les points de données, en apprenant au système à rechercher des retours positifs pour prendre la bonne décision. Les modèles peuvent ensuite adapter leur contrôle des transactions selon l'évolution des stratégies.

Les systèmes AML basés sur l'IA peuvent apprendre au fur et à mesure. Par exemple, si un logiciel d'IA trouve des transactions qui partagent des caractéristiques et qui sont très peu susceptibles d'être du blanchiment d'argent, il peut faire des recommandations pour modifier le système maître de manière à permettre des transactions similaires à l'avenir.

Un rapport de la Banque d'Angleterre sur l'IA de 2022 a conclu que « l'une des raisons pour lesquelles l'IA est importante est qu'elle peut soutenir de nouveaux cas d'utilisation », par exemple, s'attaquer au problème de la fraude d'identité synthétique, dans lequel les criminels créent des identités "« partir d'un puzzle de données réelles… qui peut être difficile à identifier par les analystes humains ». Les systèmes de lutte contre le blanchiment d'argent basés sur l'IA peuvent également utiliser des réseaux neuronaux non supervisés pour examiner des sources de données très vastes, y compris des adresses IP informatiques et des modèles de comportement, afin de générer des alertes.

Avantages de l'IA AML

Les systèmes AML traditionnels doivent être ajustés afin de développer une sensibilité optimale aux activités qui pourraient déclencher des drapeaux rouges. Si le nombre d'alertes générées est trop réduit, il existe le risque de passer à côté d'activités criminelles et d'attirer l'attention et les amendes des organismes de réglementation. Si le nombre d'alertes est trop important, cela peut submerger le personnel de conformité des banques, qui doit examiner chaque drapeau et déterminer l'action appropriée. Les systèmes d'IA ont montré qu'ils peuvent générer presque le même nombre de rapports d'activité suspects (SAR), mais avec un nombre considérablement réduit de faux positifs. Lisez la suite pour en savoir plus sur ces avantages de l'IA et d'autres encore.

• Augmenter/améliorer la précision de la détection des risques. Les techniques d'IA peuvent aider à améliorer la précision de la détection des risques en consommant et en synthétisant de grandes quantités de données structurées et non structurées, puis en apprenant les modèles de comportement et en détectant les anomalies. Les réseaux neuronaux peuvent identifier des modèles similaires à ceux avec lesquels ils ont été entraînés, en faisant des recommandations qui peuvent mettre fin à la capacité des groupes criminels à apporter de petits changements à leurs stratagèmes de fraude pour contourner les règles connues.
• Réduire les coûts d'exploitation. Les systèmes AML basés sur l'IA peuvent aider à réduire les coûts d'exploitation en réduisant le nombre de faux positifs que les équipes de risque doivent examiner. Chaque alerte déclenche une enquête de niveau 1, ce qui coûte du temps au personnel. Entre 90 % et 95 % de ces alertes sont fermées avant d'être remontées vers une enquête de niveau 2 plus intensive et un dépôt SAR auprès des autorités.
• Améliorer la conformité et la gouvernance. Les services de conformité des banques, les organisations informatiques et les secteurs d'activité subissent une pression concernant l'évolution des réglementations en matière de lutte contre le blanchiment d'argent et l'absence de règles mondiales, bien qu'une certaine convergence s'annonce. Certains organismes de réglementation, y compris aux États-Unis et au Royaume-Uni, encouragent les banques à adopter l'IA pour leurs systèmes de lutte contre le blanchiment d'argent. Les institutions financières utilisent également des techniques d'IA et de machine learning pour exécuter des tests d'identification des risques. L'IA peut également aider à réduire les activités de blanchiment d'argent manquées qui peuvent conduire à un examen réglementaire.

Limites de l'IA pour l'AML

L'application de l'IA pour lutter contre le blanchiment d'argent ne sera pas efficace si les banques ne disposent pas de suffisamment de données de haute qualité pour entraîner des modèles afin de fournir des résultats toujours précis. Les banques doivent également s'assurer qu'elles disposent des bons talents pour entraîner, affiner et tenir à jour les modèles d'IA, et elles doivent tenir compte de la confidentialité des données des clients lors de la conception des systèmes. L'IA peut également être opaque : il n'est pas toujours évident de savoir comment un système d'IA générative parvient à ses réponses. McKinsey conseille aux banques de rencontrer les organismes de réglementation bien avant de développer un système de lutte contre le blanchiment d'argent basé sur l'IA. Lisez la suite pour en savoir plus sur ces limitations et sur les autres limitations de l'IA.

• Qualité et disponibilité des données. Des données incomplètes ou inexactes peuvent entraver les performances des modèles d'IA, qui doivent voir suffisamment d'exemples de haute qualité lors de leur entraînement pour pouvoir signaler avec précision les transactions suspectes une fois qu'ils sont déployés. Les banques ayant un accès limité aux données, en particulier celles sur des exemples réels de blanchiment d'argent, pourraient envisager une autre approche.
  
• Défis en matière de réglementation et de conformité. Les réglementations en matière de lutte contre le blanchiment d'argent, en constante évolution et parfois vagues et incohérentes, peuvent mettre à l'épreuve les services de conformité, les organisations informatiques et les secteurs d'activité des banques. Par exemple, les recommandations du Groupe d'action financière (FATF, Financial Action Task Force), un organisme mondial de normalisation de la lutte contre le blanchiment d'argent, laissent une grande liberté dans leurs directives aux autorités de contrôle. Le PDG de JPMorgan Chase, Jamie Dimon, a demandé que les exigences en matière de lutte contre le blanchiment d'argent soient simplifiées et améliorées. Les règles commencent à être unifiées. En 2024, l'UE a créé une nouvelle autorité de lutte contre le blanchiment d'argent basée à Francfort, dont les règles s'appliquent aux entreprises de l'ensemble du bloc, sans qu'il soit nécessaire de les transposer en droit national.
  
• Problèmes opérationnels et techniques. La plupart des banques doivent également relever les défis de l'intégration des systèmes, car les données stockées dans les mainframes et d'autres systèmes hérités ne sont généralement pas prêtes à être traitées par l'IA. Les banques ont également des difficultés à conserver des données de qualité suffisante sur leurs clients, en particulier de longue date, dont l'historique peut être partiellement stocké dans des formats non standard et issu de formulaires papier, selon le cabinet de conseil McKinsey & Company.
  
• Faux positifs et négatifs. Les taux de faux positifs, c'est-à-dire les transactions financières qui sont signalées par les logiciels comme des activités potentielles de blanchiment d'argent, peuvent atteindre 95 %. Mais les banques doivent tout de même les examiner, via un processus coûteux et chronophage. Inversement, les faux négatifs, lorsque des transactions par des entités sanctionnées ou le blanchiment d'argent réel passent inaperçus, peuvent conduire à des actions réglementaires et à des dommages à la réputation.
  
• Adaptabilité et évolution des tactiques criminelles. Les blanchisseurs d'argent sont des adversaires sophistiqués qui utilisent des techniques en constante évolution pour ne pas se faire détecter. Une fois que les acteurs malveillants ont identifié les règles utilisées pour détecter le blanchiment, ils peuvent légèrement modifier leur comportement pour y échapper.
  
• Problèmes de confidentialité. Les banques qui conçoivent l'IA pour lutter contre le blanchiment d'argent doivent tenir compte des aspects relatifs à la vie privée de ces systèmes. Les banques ont accès à des quantités importantes de données, y compris des informations personnelles, et les droits d'utilisation de ces informations doivent être évalués dans leur contexte.

Cas d'utilisation de l'IA pour l'AML

Les banques appliquent des techniques d'IA pour l'AML lors de l'intégration des clients, du contrôle de leurs activités bancaires et du signalement de comportements suspects aux autorités. Le logiciel peut rendre les processus plus rapides et efficaces en créant des profils comportementaux à partir de modèles parfois dissimulés, afin de mieux classer les transactions, d'analyser les documents et les actualités pour les clients potentiellement risqués, et d'accélérer la rédaction de rapports réglementaires.

• Contrôle des transactions. Les modèles d'IA peuvent contrôler les transactions pour les activités illégales de deux manières principales.
  • Reconnaissance des schémas. À partir de leurs données d'entraînement, les modèles d'IA peuvent apprendre à reconnaître les modèles de transaction qui échappent aux systèmes traditionnels de lutte contre le blanchiment d'argent basés sur des règles. Par exemple, ils peuvent identifier les transactions « structurées », dans lesquelles d'importantes sommes d'argent sont divisées en petites quantités, ou ils peuvent analyser de grandes quantités de données pour identifier les sociétés écrans utilisées pour transférer de l'argent. L'IA peut également modéliser les comportements attendus des clients, ainsi que les écarts par rapport aux comportements qui peuvent indiquer une activité criminelle, remplaçant ainsi des approches basées sur des règles qui peuvent ne pas être aussi précises.
  • Contrôle en temps réel. La vitesse des paiements numériques stimule la demande de systèmes de lutte contre le blanchiment d'argent alimentés par l'IA, qui peuvent traiter rapidement de grands volumes de données, y compris en temps réel. Michael Hsu, contrôleur américain par intérim de la monnaie, a déclaré dans un discours de janvier 2024 que l'accélération des paiements numériques conduit à l'accélération des fraudes, faisant pression sur les banques pour qu'elles créent « les freins appropriés pour un système financier plus en temps réel ».
• Diligence raisonnable sur le client (CDD, Customer Due Diligence) et connaissance du client (KYC, Know Your Customer). Les banques peuvent identifier et filtrer les clients en ligne à l'aide de techniques d'intégration automatisées basées sur l'IA pour aider à rendre les processus KYC plus rapides et plus précis. Il s'agit notamment de vérifier l'identité numérique et de numériser des documents d'identité. Grâce au contrôle continu des transactions, les banques peuvent mieux identifier les clients à haut risque en analysant plus de données que ne le permettent les révisions périodiques.
  • Intégration automatisée. Les banques peuvent aider à améliorer la vitesse et la précision lors de l'ouverture des comptes clients en scannant les documents d'identification pour la vérification en ligne et en utilisant l'IA pour évaluer l'authenticité.
  • Contrôle continu. Les clients pouvant se comporter différemment au cours de leur relation avec une banque, et les résultats électoraux à l'échelle mondiale pouvant changer si quelqu'un est considéré comme une cible politiquement exposée, les institutions financières utilisent des outils basés sur l'IA pour vérifier continuellement les transactions, les bénéficiaires effectifs, les listes de sanctions et la couverture médiatique. Le contrôle continu vérifie si le comportement du client est devenu plus risqué depuis la dernière évaluation d'une banque.
• Reporting d'activité suspecte (SAR, Suspicious Activity Reporting). Les banques doivent déposer des SAR auprès des organismes de réglementation pour signaler les cas suspects de blanchiment d'argent et de financement du terrorisme.
  • Les outils de reporting automatique soutenus par l'IA générative peuvent aider à générer des SAR plus efficacement que les analystes humains travaillant seuls.
  • Amélioration de la précision du reporting. De nombreux SAR souffrent de récits peu clairs et d'informations manquantes. Les systèmes d'IA générative peuvent fortement les améliorer, en pouvant également créer des listes d'éléments de suivi.
• Filtrage des sanctions. Des mises à jour fréquentes des listes de sanctions internationales (comme après le début de la guerre russo-ukrainienne) et des difficultés à faire correspondre les entités commerciales entre les différentes variantes de noms de personnes ou d'entreprises dans différents pays et langues peuvent écraser les systèmes traditionnels de lutte contre le blanchiment d'argent.
  • Le filtrage automatisé à l'aide de l'IA peut extraire et classer des informations à partir de documents non structurés, rechercher des synonymes pour les termes à drapeau rouge et supprimer des termes orthographiés de la même manière avec des significations différentes.
  • Réduction des faux positifs. Le résultat peut être une réduction des faux positifs, nécessitant moins de révisions chronophages par les analystes qui augmentent les coûts.
• Analyses et visualisation améliorées. Les techniques de visualisation des données, y compris les graphiques des relations entre les personnes et les entités, peuvent aider les utilisateurs professionnels non techniques à voir les changements dans les risques et la distribution géographique des cas suspects de blanchiment d'argent.
  • Visualisation des données. En plus des graphiques relationnels, les techniques d'IA peuvent aider les analystes à repérer l'emplacement des activités néfastes sur les cartes et à explorer les tableaux de bord pour accéder à des détails plus précis. Le résultat peut être une prise de décision plus rapide et plus efficace.
  • Le reporting en tableau de bord affiche des métriques et la progression par rapport aux indicateurs clés de performance (ICP) pour les transactions surveillées, les alertes générées, le dépôt des SAR et les enquêtes ouvertes et clôturées.
• Conformité réglementaire. Les outils d'IA peuvent aider les institutions financières à rester informées sur les mises à jour réglementaires et à s'y adapter, notamment grâce à une documentation permettant l'auditabilité.
  • Mises à jour réglementaires. L'augmentation du blanchiment d'argent et des amendes KYC, ainsi que les nouveaux organismes de réglementation destinés à les faire respecter, augmentent la nécessité de technologies capables d'aider les banques à rester au courant de l'évolution des règles et à réduire la probabilité de subir des amendes, en remplaçant ou en complétant les processus manuels par des processus automatisés.
  • Pistes d'audit. Ces outils logiciels peuvent également générer des pistes d'audit qui démontrent comment les décisions AML ont été prises et aident à écrire des journaux pour les audits qui présentent l'activité et l'accès aux données.
• Gestion des dossiers. Les outils d'automatisation des processus et de collaboration peuvent soutenir la conformité en matière d'AML en hiérarchisant les alertes, en recommandant des actions et en automatisant le reporting. Les logiciels peuvent suivre les alertes et fournir des tableaux de bord indiquant les activités suspectes.
  • Automatisation des workflows. Les institutions financières peuvent économiser en moyenne un quart de leurs coûts de conformité annuels en utilisant des outils d'automatisation des processus contre la criminalité financière, selon le cabinet de conseil en informatique KPMG. Les outils d'IA peuvent également maintenir les processus KYC à jour en apportant des modifications réglementaires aux processus d'intégration.
  • Outils de collaboration. Un logiciel de gestion des dossiers aide les services à coordonner leurs activités, en fournissant un référentiel central d'informations de conformité.
• Détection et prévention des fraudes. Les banques disposent d'un certain laps de temps pour arrêter le blanchiment d'argent après l'avoir découvert, mais idéalement, les cas de fraude doivent être stoppés avant la validation des transactions, afin d'éviter les pertes. Les systèmes d'IA utilisent l'apprentissage adaptatif, afin de pouvoir soutenir le filtrage des transactions. Les modèles d'IA offrent également une vue d'ensemble des clients, afin que les banques puissent voir les enquêtes et les rapports couvrant l'AML, la fraude et les sanctions pour les pots-de-vin et la corruption, selon KPMG.
  • Solutions intégrées de lutte contre la fraude et le blanchiment d'argent. La combinaison de techniques de lutte contre la fraude et le blanchiment d'argent dans un seul logiciel soutient les banques en aidant les équipes de lutte contre la fraude et le blanchiment d'argent à collecter et à partager des données pertinentes sur les clients, à présenter un aperçu des risques auxquels la banque est confrontée et à éliminer les failles que les criminels peuvent utiliser pour passer inaperçus.
  • Formation adaptative. Lorsque les banques confirment de nouveaux cas de fraude, les systèmes d'IA peuvent utiliser ces données pour s'améliorer au fil du temps, en particulier lorsqu'il s'agit de trouver des cas proches du seuil de détection, susceptibles d'entraîner des activités manquées ou des faux positifs.

Comment intégrer l'IA dans l'AML

Les banques qui souhaitent repenser les processus de lutte contre le blanchiment d'argent pour intégrer des techniques d'IA doivent d'abord évaluer leur stratégie de données, y compris les données dont elles disposent. Elles doivent réfléchir à la façon dont l'IA peut être utilisée dans tous les services et processus gérant le KYC, l'intégration des clients et la lutte contre le blanchiment d'argent. Les systèmes qui en résultent doivent être évalués en fonction de leur pertinence et de leur conformité réglementaire. Lisez la suite pour en savoir plus sur ces étapes et d'autres.

1. Évaluer les processus AML en cours. Les banques doivent déterminer comment elles luttent contre le blanchiment d'argent, dans quelle mesure les systèmes actuels sont efficaces pour le prévenir, les coûts qui pourraient être économisés et les améliorations qui pourraient être apportées grâce à une approche basée sur l'IA.
2. Définir des objectifs et des exigences. Les banques doivent définir les objectifs d'une mise en œuvre de l'IA, y compris avec des critères de réussite clairement définis, tels que la réduction des coûts d'exploitation et la réduction du nombre de faux positifs.
3. Actualiser la collecte et la préparation des données. Les banques doivent s'assurer que leurs données sont propres, avec une qualité et une quantité suffisantes pour entraîner les modèles d'IA. Elles doivent également avoir suffisamment de talents en science des données parmi leur personnel pour ajuster les modèles et affiner les approches (nous y reviendrons ultérieurement).
4. Choisissez les bons outils et technologies d'IA. La sélection d'un système d'IA adapté aux cas d'utilisation requis est essentielle. Les systèmes doivent être capables de contrôler les transactions en temps réel, d'appliquer le machine learning et le traitement du langage naturel aux processus d'intégration des clients et de KYC, et d'utiliser l'IA générative et le traitement du langage naturel pour générer des rapports sur les activités suspectes. Les banques peuvent utiliser l'analyse prédictive pour évaluer les comportements anormaux ou suspects. L'analyse de l'IA graphique peut aider à trouver des réseaux de personnes et d'entités qui n'apparaissent pas clairement pour les analystes.
5. Développer et entraîner des modèles d'IA. Il existe deux façons principales d'entraîner les modèles d'IA pour l'AML. Grâce à l'apprentissage supervisé (pour les modèles comportementaux, l'évaluation des risques des clients et l'évaluation des événements pour les listes d'AML et de sanctions), les modèles sont illustrés par des exemples. Cela est avantageux lorsqu'un modèle doit connaître les relations entre les entrées et les sorties. Pour les cas d'utilisation tels que la segmentation des clients et la détection d'anomalies, les banques utilisent généralement l'apprentissage non supervisé, dans lequel des cas non étiquetés de blanchiment d'argent et de fraude sont présentés aux modèles, ainsi que des faux positifs. Le modèle apprend à identifier les caractéristiques des deux groupes de transactions sans l'aide des data scientists. Les modèles non supervisés peuvent apprendre les relations dans des données qui n'ont pas été repérées auparavant.
6. Intégrer l'IA aux systèmes existants. De nombreux processus de lutte contre le blanchiment d'argent sont exécutés sur des systèmes informatiques existants. Les banques doivent donc investir dans la création de connecteurs avec d'anciens systèmes de contrôle et de reporting des transactions et leurs différents types de données, ou dans la modernisation de leur infrastructure pour répondre aux exigences de l'IA.
7. Former et soutenir le personnel. La formation sur les outils et processus d'IA est importante, à la fois pour assurer la conformité réglementaire et pour surmonter la résistance du personnel à l'adoption de la technologie.
8. S'efforcer d'améliorer et de s'adapter en permanence. L'IA est conçue pour promouvoir l'apprentissage continu, et les banques doivent adopter un état d'esprit similaire tout en déployant et en utilisant la technologie. Pour les alertes d'AML, les banques doivent également tenir compte de la capacité de rappel des modèles, qui mesure leur capacité à générer presque le même nombre de rapports d'activité suspecte réels à partir d'un groupe d'alertes beaucoup plus petit.
9. Aider à garantir la conformité réglementaire. Les lois et les réglementations relatives à l'IA évoluent, et les banques doivent rester informées pour maintenir la conformité. Les contrôles internes, la formation et la nomination d'un agent pour la gestion de la conformité continue sont des éléments clés pour une conformité efficace en matière de lutte contre le blanchiment d'argent.

L'avenir de l'IA dans l'AML

Les exigences en matière de lutte contre le blanchiment d'argent définies par les autorités mondiales évoluent, tandis que les budgets pour l'AML des banques subissent une forte pression. L'analyse et l'automatisation basées sur l'IA n'en sont que plus attrayantes. Aux États-Unis, le Financial Crimes Enforcement Network (FinCEN) du Département du Trésor étudie des règles qui étendraient le Bank Secrecy Act aux conseillers en placement, y compris en les obligeant à déposer des SAR. L'Autorité monétaire de Singapour renforce les exigences de déclaration sur les family offices et les hedge funds et intensifie l'examen des grandes banques, après que des criminels chinois ont blanchi plus de 2,2 milliards de dollars en produits de jeu en ligne par l'intermédiaire de 16 banques de la ville. La FINMA a ordonné aux banques de procéder à des examens plus approfondis dans le cadre de la lutte contre le blanchiment d'argent, et la nouvelle autorité de lutte contre le blanchiment d'argent de l'UE devrait instaurer une surveillance plus directe de 40 institutions financières au maximum.

Les banques peuvent chercher à redoubler d'efforts concernant les nouvelles méthodes de détection de la fraude améliorées par l'IA, car la dissimulation de l'argent dans des voitures luxueuses, des objets de collection, des bijoux et des œuvres d'art a rendu la pratique plus difficile à tracer. Les blanchisseurs d'argent utilisent également les réseaux sociaux pour recruter des travailleurs de faible rang afin qu'ils déposent de l'argent, ce qui rend les activités malveillantes plus difficiles à traquer pour les systèmes traditionnels.

Modernisez et renforcez votre lutte contre le blanchiment d'argent (AML, Anti-Money Laundering) avec Oracle

Oracle Financial Crime and Compliance Management Cloud Service inclut des moteurs logiciels qui évaluent dynamiquement les risques liés aux entités et aux transactions, et gèlent les transactions vers des entités ou des pays sanctionnés pour qu'ils soient immédiatement examinés par un analyste. La solution dispose également d'une capacité de gestion de cas complète, conçue pour s'adapter aux méthodes de travail des enquêteurs.

Oracle Financial Services Compliance Studio inclut des analyses statistiques et une technologie d'IA d'apprentissage supervisé et non supervisé, qui aide à mieux comprendre et surveiller les risques, ainsi qu'à réduire les coûts de maintenance d'une plateforme de conformité et de lutte contre la criminalité financière.

L'approche d'Oracle a aidé une grande banque multinationale à mettre en œuvre des modèles d'IA en six semaines et à générer 45 à 65 % d'alertes en moins, tout en produisant au moins 99 % du nombre de rapports d'activité suspects qu'elle comptait lorsque son volume d'alertes était beaucoup plus élevé.

Oracle Financial Services Compliance Agent est un service cloud optimisé par l'IA qui permet aux banques de tester leurs systèmes de contrôle des transactions et de simuler les actions d'acteurs malveillants pour tester leurs programmes de lutte contre le blanchiment d'argent, ce qui contribue à réduire les coûts et les risques réglementaires. Oracle développe également un composant d'IA générative pour son logiciel de lutte contre la criminalité financière, afin qu'il rédige des récits de cas pour les rapports.

FAQ sur l'IA pour l'AML

L'AML sera-t-il automatisé ?
Les banques automatisent de plus en plus leurs processus de lutte contre le blanchiment d'argent à l'aide d'outils d'IA qui peuvent collecter et traiter des données provenant de tous les services. Ces outils complètent et soutiennent les analystes et autres collaborateurs responsables de la lutte contre le blanchiment d'argent.

Qu'est-ce que l'IA générative pour la lutte contre le blanchiment d'argent ?
Les banques utilisent l'IA générative pour rechercher des termes associés qui ne sont pas codés en dur dans les moteurs de règles des logiciels traditionnels de lutte contre le blanchiment d'argent, pour identifier les relations difficiles à repérer entre les transactions et pour créer des récits d'activités suspectes et d'autres rapports.

Qu'est-ce que l'automatisation intelligente dans l'AML ?
L'automatisation intelligente permet de réduire le travail manuel lié à la vérification des transactions qu'un système d'AML signale de manière incorrecte comme frauduleuses. Pour ce faire, le modèle d'IA a appris à classer les transactions futures en appliquant de nouveaux modèles. Cela peut aider à réduire les coûts pour les banques et à améliorer la précision.