La crise de la COVID-19 a forcé les équipes informatiques du secteur bancaire et financier à réévaluer leurs « business models » ainsi que les méthodes de travail employées jusqu’alors, tant au niveau de leurs clients et de leurs partenaires que de leurs employés. La plupart de ces principes auparavant acquis sont maintenant obsolètes et de nouveaux modèles doivent être redéfinis rapidement.
Alors que le secteur est appelé à reconstruire ses modèles pour prévenir le chaos et soutenir la croissance, les fraudeurs, eux, continuent d’exploiter les craintes suscitées par la pandémie actuelle. En France, Cybermalveillance.gouv.fr anticipe « un accroissement des cyberattaques et des cyberescroqueries » liées à la pandémie. Dans un rapport sur la cybercriminalité en temps de crise COVID, Interpol indique que les attaques en lien avec la Covid-19 se sont multipliées depuis le début de la crise : les attaques de phishing viennent en tête (59%), suivies des malwares et ransomwares (36%), des noms de domaine malveillants (22%) et des opérations de subversion (14%).
Le blanchiment d’argent (AML) ne fait pas exception dans cette hausse de la criminalité. Le Groupe d’action financière (Gafi) constate fin 2020 que les gouvernements et acteurs du secteur privé sont affectés par la crise de COVID-19 dans leurs obligations en matière de lutte contre le blanchiment de capitaux. La pandémie se transforme en opportunité pour les fraudeurs et les crimes liés au blanchiment d’argent n’ont fait qu’augmenter depuis le début de la crise.
Toutefois, la gouvernance d’entreprise demeure une priorité et les responsables d’entreprises et de divisions, notamment technologiques, se doivent d’adresser ce défi croissant de la lutte contre le blanchiment d’argent pendant et après la COVID-19, de manière plus efficace.
Croissance de l’Intelligence Artificielle
L’intelligence artificielle a évolué, passant du stade de mot à la mode dans le monde technologique à celui de véritable réalité commerciale de nos jours. La technologie a déjà un impact positif dans de nombreuses industries, y compris dans le secteur bancaire et financier, un secteur réputé pour son innovation, dont les entreprises avant-gardistes cherchent à faire évoluer leurs projets de transformation grâce à l’IA.
L’utilisation de l’IA dans ce secteur change la donne. Selon une enquête réalisée par la Banque d’Angleterre en 2019 auprès de 500 institutions financières du Royaume-Uni, deux tiers des répondants auraient utilisé le Machine Learning d’une façon ou d’une autre. D’après une étude de Deloitte publiée en 2017 – AI and You ; Perceptions of Artificial Intelligence from the EMEA financial services industry ; Deloitte, Avril 2017 – 9 institutions sur 10 sur la zone Europe auraient déjà commencé à travailler sur l’IA. La technologie de l’IA s’avère fiable lorsqu’il s’agit de détecter le blanchiment d’argent, et elle permet aux principaux services financiers de relever le défi de façon de plus en plus efficace. Il reste cependant encore un certain nombre d’améliorations à apporter.
Lutte contre le blanchiment d’argent
Le blanchiment d’argent est défini comme « la dissimulation de l’origine de l’argent obtenu illégalement, généralement au moyen de transferts impliquant des banques étrangères ou des entreprises légitimes ». Dans un rapport publié en 2017, le cabinet de conseil Quinlan and Associates a souligné que le montant total des amendes imposées par les États-Unis et l’Union Européenne pour les fautes commises par les banques, y compris les infractions en matière de lutte contre le blanchiment d’argent, s’élevait à 342 milliards de dollars depuis 2009.
Les amendes imposées aux banques qui n’ont pas réussi à prévenir le blanchiment d’argent ont été multipliées par 500 au cours de la dernière décennie et représentent maintenant plus de 10 milliards de dollars par an. Afin de répondre à cela, les banques ont constitué des équipes conséquentes et leur ont attribué des tâches fastidieuses pour enquêter sur les transactions suspectes, qui prennent souvent la forme de multiples transferts minimes au sein d’un réseau complexe d’acteurs.
Approches traditionnelles pour lutter contre le blanchiment d’argent
Généralement, les équipes d’enquête utilisent des systèmes basés sur des règles comme FICO, Fiserv, SAS AML ou Actimize pour identifier les transactions suspectes. Ces procédures qui répondent à certaines règles se décomposent en trois étapes : premièrement, une alerte est générée par le système ; deuxièmement, l’enquêteur l’examine à l’aide de renseignements provenant de différentes sources et, enfin, l’alerte est définie comme étant vraie ou classée comme fausse. Une fausse alerte peut être définie comme une erreur provenant des données, pour lesquelles un résultat de test indique à tort la présence d’une condition qui n’est pas présente en réalité.
Cependant, le problème avec les systèmes basés sur des règles est qu’ils créent un grand nombre de fausses alertes, généralement dans une fourchette de 75-99%. Cela signifie que les équipes de spécialistes perdent beaucoup de temps à enquêter sur les fausses alertes. La raison en est l’obsolescence rapide des règles appliquées, et le temps nécessaire pour les remettre à jour dans les systèmes.
L’IA aide au service du traitement des fausses alertes
Les programmes de lutte contre le blanchiment d’argent utilisés sur les marchés financiers et dans la banque de détail s’appuient sur des systèmes de surveillance des transactions basés sur des règles, prenant en compte des seuils monétaires et des modèles de blanchiment d’argent. Cependant, des acteurs mal intentionnés s’adaptent très rapidement à ces règles et font évoluer leurs méthodes pour passer entre les mailles des filets. C’est ici que la modélisation comportementale fondée sur l’intelligence artificielle et la segmentation de la clientèle peut être plus efficace pour mettre à jour les transactions à risque de blanchiment potentiel.
L’IA, par la modélisation de séries chronologiques entre autres, est particulièrement efficace pour examiner un ensemble de transactions complexes et détecter des anomalies. La lutte contre le blanchiment d’argent avec l’aide du Machine Learning permet d’identifier les transactions suspectes, ainsi que les canaux de transactions irréguliers. Ces transactions sont signalées pour investigation plus poussée et peuvent recevoir un niveau d’alerte élevé, moyen ou faible, afin que l’enquêteur puisse prioriser ses efforts. À mesure que les mauvais comportements évoluent, l'IA qui sous-tend les programmes s’adapte, avec comme résultat un nombre de fausses alertes restant faible tout en assurant une précision élevée de vraies alertes.
L’IA est en mesure d’apprendre des enquêteurs et des fraudeurs tout au long du processus, en éliminant toute transaction suspecte et en renforçant automatiquement la compréhension et la capacité du modèle à éviter les schémas qui ne correspondent pas au blanchiment d’argent.
IA ou systèmes basés sur des règles ?
Les systèmes anti-blanchiment gérés par l’IA offrent de nombreux avantages par rapport à un système fondé sur des règles : la possibilité de réduire considérablement les faux positifs, de fournir un ensemble d’alertes à l’enquêteur et de prendre en compte des adresses IP spécifiques à un domaine et dédiées au blanchiment d’argent. L’IA peut être stratégiquement placée en complément du système anti-blanchiment fondé sur des règles et de l’enquêteur, offrant aux entreprises un retour sur investissement rapide. Concrètement, le temps d’enquête moyen est considérablement réduit, passant d’une moyenne de 45-90 jours, à quelques secondes seulement.
Lutter contre le blanchiment d’argent pendant la COVID-19 pour stimuler la productivité
Lorsqu’elle est utilisée efficacement, l’intelligence artificielle (IA) devient un facteur de succès primordial dans la lutte contre le blanchiment de capitaux comme dans la transformation de l’entreprise. Elle permet aux banques et institutions financières, non seulement de proposer des services bancaires personnalisés, des modèles de lutte contre la fraude et le blanchiment d’argent, mais également d’améliorer la productivité des employés et de l’activité globale. Alors que les réseaux de blanchiment d’argent deviennent de plus en plus complexes et que les comportements frauduleux sont en hausse, en particulier lors de cette crise, le temps est venu pour les institutions financières avant-gardistes d’adopter l’IA pour lutter efficacement contre le blanchiment d’argent, et de se concentrer encore plus efficacement sur la stimulation de la productivité globale de l’entreprise pour le monde de l’après COVID-19.
Alors que le secteur est appelé à reconstruire ses modèles pour prévenir le chaos et soutenir la croissance, les fraudeurs, eux, continuent d’exploiter les craintes suscitées par la pandémie actuelle. En France, Cybermalveillance.gouv.fr anticipe « un accroissement des cyberattaques et des cyberescroqueries » liées à la pandémie. Dans un rapport sur la cybercriminalité en temps de crise COVID, Interpol indique que les attaques en lien avec la Covid-19 se sont multipliées depuis le début de la crise : les attaques de phishing viennent en tête (59%), suivies des malwares et ransomwares (36%), des noms de domaine malveillants (22%) et des opérations de subversion (14%).
Le blanchiment d’argent (AML) ne fait pas exception dans cette hausse de la criminalité. Le Groupe d’action financière (Gafi) constate fin 2020 que les gouvernements et acteurs du secteur privé sont affectés par la crise de COVID-19 dans leurs obligations en matière de lutte contre le blanchiment de capitaux. La pandémie se transforme en opportunité pour les fraudeurs et les crimes liés au blanchiment d’argent n’ont fait qu’augmenter depuis le début de la crise.
Toutefois, la gouvernance d’entreprise demeure une priorité et les responsables d’entreprises et de divisions, notamment technologiques, se doivent d’adresser ce défi croissant de la lutte contre le blanchiment d’argent pendant et après la COVID-19, de manière plus efficace.
Croissance de l’Intelligence Artificielle
L’intelligence artificielle a évolué, passant du stade de mot à la mode dans le monde technologique à celui de véritable réalité commerciale de nos jours. La technologie a déjà un impact positif dans de nombreuses industries, y compris dans le secteur bancaire et financier, un secteur réputé pour son innovation, dont les entreprises avant-gardistes cherchent à faire évoluer leurs projets de transformation grâce à l’IA.
L’utilisation de l’IA dans ce secteur change la donne. Selon une enquête réalisée par la Banque d’Angleterre en 2019 auprès de 500 institutions financières du Royaume-Uni, deux tiers des répondants auraient utilisé le Machine Learning d’une façon ou d’une autre. D’après une étude de Deloitte publiée en 2017 – AI and You ; Perceptions of Artificial Intelligence from the EMEA financial services industry ; Deloitte, Avril 2017 – 9 institutions sur 10 sur la zone Europe auraient déjà commencé à travailler sur l’IA. La technologie de l’IA s’avère fiable lorsqu’il s’agit de détecter le blanchiment d’argent, et elle permet aux principaux services financiers de relever le défi de façon de plus en plus efficace. Il reste cependant encore un certain nombre d’améliorations à apporter.
Lutte contre le blanchiment d’argent
Le blanchiment d’argent est défini comme « la dissimulation de l’origine de l’argent obtenu illégalement, généralement au moyen de transferts impliquant des banques étrangères ou des entreprises légitimes ». Dans un rapport publié en 2017, le cabinet de conseil Quinlan and Associates a souligné que le montant total des amendes imposées par les États-Unis et l’Union Européenne pour les fautes commises par les banques, y compris les infractions en matière de lutte contre le blanchiment d’argent, s’élevait à 342 milliards de dollars depuis 2009.
Les amendes imposées aux banques qui n’ont pas réussi à prévenir le blanchiment d’argent ont été multipliées par 500 au cours de la dernière décennie et représentent maintenant plus de 10 milliards de dollars par an. Afin de répondre à cela, les banques ont constitué des équipes conséquentes et leur ont attribué des tâches fastidieuses pour enquêter sur les transactions suspectes, qui prennent souvent la forme de multiples transferts minimes au sein d’un réseau complexe d’acteurs.
Approches traditionnelles pour lutter contre le blanchiment d’argent
Généralement, les équipes d’enquête utilisent des systèmes basés sur des règles comme FICO, Fiserv, SAS AML ou Actimize pour identifier les transactions suspectes. Ces procédures qui répondent à certaines règles se décomposent en trois étapes : premièrement, une alerte est générée par le système ; deuxièmement, l’enquêteur l’examine à l’aide de renseignements provenant de différentes sources et, enfin, l’alerte est définie comme étant vraie ou classée comme fausse. Une fausse alerte peut être définie comme une erreur provenant des données, pour lesquelles un résultat de test indique à tort la présence d’une condition qui n’est pas présente en réalité.
Cependant, le problème avec les systèmes basés sur des règles est qu’ils créent un grand nombre de fausses alertes, généralement dans une fourchette de 75-99%. Cela signifie que les équipes de spécialistes perdent beaucoup de temps à enquêter sur les fausses alertes. La raison en est l’obsolescence rapide des règles appliquées, et le temps nécessaire pour les remettre à jour dans les systèmes.
L’IA aide au service du traitement des fausses alertes
Les programmes de lutte contre le blanchiment d’argent utilisés sur les marchés financiers et dans la banque de détail s’appuient sur des systèmes de surveillance des transactions basés sur des règles, prenant en compte des seuils monétaires et des modèles de blanchiment d’argent. Cependant, des acteurs mal intentionnés s’adaptent très rapidement à ces règles et font évoluer leurs méthodes pour passer entre les mailles des filets. C’est ici que la modélisation comportementale fondée sur l’intelligence artificielle et la segmentation de la clientèle peut être plus efficace pour mettre à jour les transactions à risque de blanchiment potentiel.
L’IA, par la modélisation de séries chronologiques entre autres, est particulièrement efficace pour examiner un ensemble de transactions complexes et détecter des anomalies. La lutte contre le blanchiment d’argent avec l’aide du Machine Learning permet d’identifier les transactions suspectes, ainsi que les canaux de transactions irréguliers. Ces transactions sont signalées pour investigation plus poussée et peuvent recevoir un niveau d’alerte élevé, moyen ou faible, afin que l’enquêteur puisse prioriser ses efforts. À mesure que les mauvais comportements évoluent, l'IA qui sous-tend les programmes s’adapte, avec comme résultat un nombre de fausses alertes restant faible tout en assurant une précision élevée de vraies alertes.
L’IA est en mesure d’apprendre des enquêteurs et des fraudeurs tout au long du processus, en éliminant toute transaction suspecte et en renforçant automatiquement la compréhension et la capacité du modèle à éviter les schémas qui ne correspondent pas au blanchiment d’argent.
IA ou systèmes basés sur des règles ?
Les systèmes anti-blanchiment gérés par l’IA offrent de nombreux avantages par rapport à un système fondé sur des règles : la possibilité de réduire considérablement les faux positifs, de fournir un ensemble d’alertes à l’enquêteur et de prendre en compte des adresses IP spécifiques à un domaine et dédiées au blanchiment d’argent. L’IA peut être stratégiquement placée en complément du système anti-blanchiment fondé sur des règles et de l’enquêteur, offrant aux entreprises un retour sur investissement rapide. Concrètement, le temps d’enquête moyen est considérablement réduit, passant d’une moyenne de 45-90 jours, à quelques secondes seulement.
Lutter contre le blanchiment d’argent pendant la COVID-19 pour stimuler la productivité
Lorsqu’elle est utilisée efficacement, l’intelligence artificielle (IA) devient un facteur de succès primordial dans la lutte contre le blanchiment de capitaux comme dans la transformation de l’entreprise. Elle permet aux banques et institutions financières, non seulement de proposer des services bancaires personnalisés, des modèles de lutte contre la fraude et le blanchiment d’argent, mais également d’améliorer la productivité des employés et de l’activité globale. Alors que les réseaux de blanchiment d’argent deviennent de plus en plus complexes et que les comportements frauduleux sont en hausse, en particulier lors de cette crise, le temps est venu pour les institutions financières avant-gardistes d’adopter l’IA pour lutter efficacement contre le blanchiment d’argent, et de se concentrer encore plus efficacement sur la stimulation de la productivité globale de l’entreprise pour le monde de l’après COVID-19.
Autres articles
-
Eurazeo - Stage Analyste - Eurazeo Real Estate - Private Equity - Jan 2025 - Paris
-
Nomination | le fonds 3i promeut Marc Ohayon qui devient Associé
-
French Fintech Week : coup d'envoi de la 4ème édition !
-
ADAN : Faustine Fleuret sur le point de quitter la Présidence de l'association des professionnels du Web3 ?
-
BBVA, la banque ibérique devrait lancer son stablecoin en 2025 via un nouveau programme de Visa ?